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
|
12天前
|
算法
基于GA遗传优化的TSP问题最优路线规划matlab仿真
本项目使用遗传算法(GA)解决旅行商问题(TSP),目标是在访问一系列城市后返回起点的最短路径。TSP属于NP-难问题,启发式方法尤其GA在此类问题上表现出色。项目在MATLAB 2022a中实现,通过编码、初始化种群、适应度评估、选择、交叉与变异等步骤,最终展示适应度收敛曲线及最优路径。
|
6天前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的CNN-LSTM的时间序列回归预测matlab仿真
本项目展示了一种结合灰狼优化(GWO)与深度学习模型(CNN和LSTM)的时间序列预测方法。GWO算法高效优化模型超参数,提升预测精度。CNN提取局部特征,LSTM处理长序列依赖,共同实现准确的未来数值预测。项目包括MATLAB 2022a环境下运行的完整代码及视频教程,代码内含详细中文注释,便于理解和操作。
|
1月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
105 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
1月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
79 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
1月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
61 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
4月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
4月前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
|
4月前
|
Serverless
基于Logistic函数的负荷需求响应(matlab代码)
基于Logistic函数的负荷需求响应(matlab代码)
|
4月前
|
供应链 算法
基于分布式优化的多产消者非合作博弈能量共享(Matlab代码)
基于分布式优化的多产消者非合作博弈能量共享(Matlab代码)

热门文章

最新文章