m基于PSO粒子群优化的Hammerstein模型参数辨识算法matlab仿真,对比LS最小二乘法

简介: m基于PSO粒子群优化的Hammerstein模型参数辨识算法matlab仿真,对比LS最小二乘法

1.算法概述

    粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。  

   非线性系统的辨识一直是现代辨识领域中的一个主要课题。针对非线性系统中Hammerstein 模型, 讨论了PSO 的基本算法与参数初值的设置与选择方法。通过仿真实验说明: 与非线性最小二乘法相比PSO 算法对于非线性辨识的有效性和鲁棒性。PSO 算法流程图:

1.png

PSO 过程:
第1 步: 种群随机初始化。
第2 步: 对种群内的每一个个体计算适应值(fitness value) , 适应值与最优解的距离直接有关。
第3 步: 种群根据适应值进行复制。
第4 步: 如果终止条件满足, 则停止; 否则转到第2 步。

   PSO 算法中每个优化问题的解都有是搜索空间中的一只鸟, 称为粒子。与其他进化计算技术不同的是群体中的每个粒子可以记忆自己到过的最优位置, 并能感知邻近群体已达到的最优位置, 每个粒子能够根据自身到过的最优位置和邻近群体已到过的最优位置来更新自己, 然后粒子们不断地追随当前的最优粒子在解空间搜索。

   粒子的速度和位置根据以下的公式从h 代更新到h+ 1代:

2.png

Hammerstein模型

3.png

   将Hammerstein模型转换为一类中间模型。然后,提出利用一种改进的粒子群优化(improved particle swarm optimization,IPSO)算法获得中间模型的参数估计值。接着,通过相应的数学关系来达到对Hammerstein模型的辨识。

2.仿真效果预览

4.png
5.png

3.核心MATLAB程序

 
% X=TP'+E=∑tp'+E
% Y=UQ'+F=∑uq'+F
% u=bt[pls_P,pls_Q,pls_W,pls_B]=pls_model(X_M, Y_M, iter)
% b=u't/t't
% Y=TBQ'+F
 
% pls_P the loadings for every pls component of X
% pls_Q the loadings for every pls componentof Y
% pls_W the weights
% pls_B the regression coefficients for the inner relation.
[N,K]=size(X_M);
[N,P]=size(Y_M);
 
if iter > min(N,K)
    iter = min(N,K);
end
 
% start algrithm: PLS
for counter = 1:iter; % extract 3 PLS components
    pls_u = Y_M(:,1); % get any column from Y
    t_old_n = 1.0;% the ini of t old
    t_new_n = 0.0;% the ini of t new
    pls_t = 0;
    while ( abs( t_old_n - t_new_n )>0.0001)
        pls_t_old = pls_t;
        % in the X block
        pls_w = (pls_u' * X_M / ( pls_u' * pls_u ))';
        pls_w = pls_w/norm(pls_w);
        pls_t = X_M * pls_w;
        % in the Y block
        if(P>1)
            pls_q = (pls_t' * Y_M /(pls_t'*pls_t))';
            pls_q = pls_q/norm(pls_q);
            pls_u = Y_M*pls_q;
        else
            pls_q=1;
        end
        % compare t,check for convergence
        t_old_n = norm( pls_t_old );
        t_new_n = norm( pls_t);
    end
 
    pls_p = (pls_t'*X_M/(pls_t'*pls_t))';
    pls_p_n=norm(pls_p);    
    pls_p = pls_p/pls_p_n;
    pls_t = pls_t*pls_p_n;
    pls_w = pls_w*pls_p_n;
    pls_b = pls_u'*pls_t/(pls_t'*pls_t);
 
    X_M = X_M - pls_t*pls_p';
    Y_M = Y_M - pls_b*pls_t*pls_q';
    pls_P(:,counter)=pls_p;
    pls_Q(:,counter)=pls_q;
    pls_W(:,counter)=pls_w;
    pls_B(:,counter)=pls_b;
end
02-001m
相关文章
|
2月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
257 0
|
2月前
|
机器学习/深度学习 算法 机器人
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
173 8
|
2月前
|
机器学习/深度学习 算法 自动驾驶
基于导向滤波的暗通道去雾算法在灰度与彩色图像可见度复原中的研究(Matlab代码实现)
基于导向滤波的暗通道去雾算法在灰度与彩色图像可见度复原中的研究(Matlab代码实现)
178 8
|
2月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
190 2
|
3月前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
223 3
|
3月前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
159 6
|
2月前
|
机器学习/深度学习 算法 数据可视化
基于MVO多元宇宙优化的DBSCAN聚类算法matlab仿真
本程序基于MATLAB实现MVO优化的DBSCAN聚类算法,通过多元宇宙优化自动搜索最优参数Eps与MinPts,提升聚类精度。对比传统DBSCAN,MVO-DBSCAN有效克服参数依赖问题,适应复杂数据分布,增强鲁棒性,适用于非均匀密度数据集的高效聚类分析。
|
3月前
|
机器学习/深度学习 传感器 算法
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
249 14
|
2月前
|
开发框架 算法 .NET
基于ADMM无穷范数检测算法的MIMO通信系统信号检测MATLAB仿真,对比ML,MMSE,ZF以及LAMA
简介:本文介绍基于ADMM的MIMO信号检测算法,结合无穷范数优化与交替方向乘子法,降低计算复杂度并提升检测性能。涵盖MATLAB 2024b实现效果图、核心代码及详细注释,并对比ML、MMSE、ZF、OCD_MMSE与LAMA等算法。重点分析LAMA基于消息传递的低复杂度优势,适用于大规模MIMO系统,为通信系统检测提供理论支持与实践方案。(238字)
|
3月前
|
机器学习/深度学习 传感器 算法
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
233 2

热门文章

最新文章