系统辨识是控制理论研究的一个重要分支,它是控制系统设计的基础。在该领域中最困难的就是非线性系统的辨识,近几年将神经网络应用于非线性系统辨识的研究已经取得了一些成果,但其辨识精度和效率还不是很理想。本文在前人研究的基础上,将粒子群优化算法和共轭梯度算法结合,提出了基于共轭梯度算法的混合粒子群优化算法,并将其应用于基于BP网络的非线性系统辨识研究,仿真结果验证了该混合算法的有效性,并且为了克服BP等静态网络在辨识中过分依赖系统的阶和延迟的缺点,将记忆神经网络和扩展的Kalman滤波器学习算法应用于非线性动力学系统辨识研究,加快了收敛速度和提高了辨识精度。 论文首先利用MATLAB语言进行了基于BP神经网络的非线性系统辨识仿真研究,为了克服BP算法存在收敛速度慢、容易陷入局部极值和辨识精度不高的固有缺点,采用了可全局寻优的遗传算法,在一定程度上改善了辨识的效果,但由于遗传算法的复制、交叉和变异操作是一个比较复杂的问题,交换概率和突变概率选取的恰当与否对系统辨识的性能有较大影响。因此本文又将更简单的粒子群优化算法应用于BP网络的学习,粒子群优化算法没有遗传算法的复制、交叉和变异等复杂操作。 其次为了进一步提高粒子群优化算法的执行效率,本文将粒子群优化算法和共轭梯度算法有机地结合,提出了一种基于共轭梯度算法的混合粒子群优化算法,仿真结果表明该混合算法在辨识精度和执行效率方面是有效的。 再次,由于静态前馈网络本身并不是一个动力学系统,而只是一个从输入到输出的非线性映射,不能直接建模动力学系统,为此本文将一种具有可训练的内部神经元的记忆神经网络(Memory Neuron Networks,MNN)作为阶未知的非线性系统辨识的一般模型,该MNN通过给前馈网络增加可训练的记忆神经单元而构成的,保留了多层前馈网络的基本特征,与前馈网络相比,它们有可训练的内部记忆神经单元,不用假定系统的阶或延迟就能学习动力学系统。 最后,利用记忆神经网络结构进行了非线性动力学系统辨识仿真研究,由于原有的训练MNN的随时间反向传播(Back Propagation Through Time,