| 【中文题名】 | 模糊演化卡尔曼滤波及其在RBF神经网络中的应用 |
| 【英文题名】 | Fuzzy-Evolutionary-Kalman Filter and Application in RBF Artificial Neural Network |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-2 |
| 【中关键词】 | 卡尔曼滤波,RBF神经网络,模糊控制,演化算法,, |
| 【英关键词】 | Kalman filter,RBF network,fuzzy control,evolutionary algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
神经网络吸取了生物神经网络的许多优点，它具有高度并行性、非线性的全局作用，以及良好的容错性与联想记忆功能，并且具有很强的自适应、自学习能力。随着神经网络技术的不断发展，其应用领域在不断拓展，如模式识别、图像处理、控制及优化、金融预测与管理和通信等领域。径向基函数(radial basis function，简称RBF)神经网络作为人工神经网络的一种，以其以其训练简洁，学习效率快，不易陷入局部极小等优点，在模式识别领域中得到越来越广泛的关注和应用。虽然常用的RBF神经网络比较容易构建，但因其结构通常固定或者复杂度较高，从而导致学习时间过长或者网络资源的浪费。针对上述原因，本文通过对常用的RBF神经网络学习算法的分析，提出一种基于模糊演化卡尔曼滤波的改进的RBF神经网络学习算法。
卡尔曼滤波是线性最小方差估计，并且当系统为一致完全可控与一致完全可观测条件下，稳态滤波效果与滤波初值的选取无关，即滤波器具有稳定性。但是，这些结论的获得是以系统数学模型精确为前提的。设计卡尔曼滤波器时，首先必须已知系统方程和观测方程的模型以及系统噪声和量测噪声的统计特性。由于对系统的认识不全面，或为简化计算而导致模型简... |
| 【论文题纲】 |
|
摘要 |
6-7 |
|
ABSTRACT |
7-10 |
|
第一章 引言 |
10-14 |
|
§1.1 选题依据 |
10-11 |
|
§1.2 研究现状 |
11-13 |
|
§1.3 研究思路与研究成果 |
13-14 |
|
第二章 人工经网络理论基础 |
14-21 |
|
§2.1 人工神经网络概述 |
14-16 |
|
§2.2 径向基函数神经网络基本原理 |
16-18 |
|
§2.3 径向基函数学习算法 |
18-20 |
|
§2.4 本章小结 |
20-21 |
|
第三章 模糊演化卡尔曼滤波 |
21-39 |
|
§3.1 估计的基本理论 |
21-22 |
|
§3.2 线性卡尔曼滤波 |
22-25 |
|
§3.3 扩展卡尔曼滤波 |
25-26 |
|
§3.4 模糊自适应卡尔曼滤波 |
26-34 |
|
3.4.1 模糊控制器的设计 |
26-32 |
|
3.4.2 模糊自适应卡尔曼滤波 |
32-34 |
|
§3.5 演化卡尔曼滤波 |
34-38 |
|
3.5.1 演化算法 |
34-38 |
|
3.5.2 演化卡尔曼滤波 |
38 |
|
§3.6 本章小结 |
38-39 |
|
第四章 基于模糊演化卡尔曼滤波的RBF网络学习算法 |
39-51 |
|
§4.1 基于模糊演化卡尔曼滤波的RBF网络学习算法 |
39-42 |
|
§4.2 仿真实验 |
42-49 |
|
4.2.1 仿真实验一 |
43-45 |
|
4.2.2 仿真实验二 |
45-47 |
|
4.2.3 仿真实验三 |
47-49 |
|
§4.3 结果分析 |
49-50 |
|
§4.4 本章小结 |
50-51 |
|
第五章 总结与展望 |
51-53 |
|
致谢 |
53-54 |
|
参考文献 |
54-56 |
|
| 【DOI】 | LunWen.ID:2.2008.389151 |
