[发明专利]一种基于遗传算法和卡尔曼滤波的RBFN组合训练方法

摘要

一种基于遗传算法和卡尔曼滤波的RBFN组合训练方法，它有五大步骤：一、依据参数设置随机初始化种群，对中心值进行编码：v₁₁,v₁₂,…,v_1m,v₂₁,…,v_cm；二、计算种群中各个个体的适应值，并保存最优适应值；训练RBFN网络目标就是最小化输出误差E，设计适应度函数为：Fit(f_i)=1/E；三、如果达到设定演化代数或当前最优个体满足条件，则返回网络参数并转到步骤四；否则进行选择、交叉、变异遗传操作后转到步骤二；四、将遗传算法优化的网络参数值作为卡尔曼滤波算法的网络初始参数，卡尔曼滤波算法自适应修正网络参数；五、当达到最大迭代次数限制或当前网络误差达到要求时结束程序；否则转到步骤四继续运行。

主权项

1.一种基于遗传算法和卡尔曼滤波的RBFN组合训练方法，其特征在于：该方法具体步骤如下：步骤一：依据参数设置随机初始化种群，对中心值进行编码：v₁₁,v₁₂,…,v_1m,v₂₁,…,v_cm步骤二：计算种群中各个个体的适应值，并保存最优适应值；训练RBFN网络目标就是最小化输出误差E，设计适应度函数为：Fit(f_i)=1/E；步骤三：如果达到设定演化代数或当前最优个体满足条件，则返回网络参数并转到步骤四；否则进行选择、交叉、变异遗传操作后转到步骤二；1)选择算子的设计选用轮盘赌选择方法：设种群规模为Ps，种群中的个体为f_i，其适应度值为Fit(f_i)，则个体的选择概率p_i根据如下公式求出：pi=Fit(fi)/Σn=1PsFit(fn)---(7)]]>在进行选择操作时，生成[0,1]的随机数r_n，当p₀+_p1+…+p_i-1<r_n≤p₀+p₁+…+p_i时，表示概率为p_i的个体f_i被选中；2)交叉算子的设计按照交叉概率随机地从群体中取出两个个体，采用单点交叉法：在个体串中随机设定一个交叉点，交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体；如：个体A：1 0 0 1 ↑ 1 1 1 → 1 0 0 1 0 0 0新个体个体B：0 0 1 1 ↑ 0 0 0 → 0 0 1 1 1 1 1新个体3)变异算子的设计对群中所有个体以事先设定的变异概率判断是否进行变异，采用实值变异：将基因位的取值限定在[a,b]之间，按照下式对染色体的选中基因ξ做变异：ξ'=(ξ+r)/2，此变异保证了变异后ξ'取值仍然在[a,b]中；步骤四：将遗传算法优化的网络参数值作为卡尔曼滤波算法的网络初始参数，卡尔曼滤波算法自适应修正网络参数；1)状态向量由网络权值W和中心节点v_j组成：θ=[w1T...wnTv1T...vcT]T---(8)]]>2)则非线性系统的模型表示为：θ_k+1=f(θ_k)+ω_ky_k=h(θ_k)+ν_k                (9)其中，θ_k为k时刻系统状态,y_k为观测向量，h(θ_k)是RBFN网络参数到输出的映射，ω_k、ν_k分别是人工过程噪声和观测噪声，其协方差阵分别为Q、R；3)系统递归方程，自适应调整系统状态向量Kk=PkHk(R+HkTPkHk)-1]]>Pk+1=Fk(Pk-KkHkTPk)FkT+Q---(10)]]>4)H_k表达式为：Hk=HwHv,Hw=H0...00H...0............0...0H---(11)]]>Hv=-w11g11′2(x1-v1)...-w11gml′2(xm-v1)...............-w1cg1c′2(x1-vc)...-w1cgmc′2(xm-vc)...-wn1g11′2(x1-v1)...-wn1gmc′2(xm-vc).........-wncg1c′2(x1-vc)...-wncg1c′2(xm-vc)---(12)]]>(5)网络期望输出和实际输出为y、y=[y₁₁…y_1M…y_n1…y_nM]^T步骤五：当达到最大迭代次数限制或当前网络误差达到要求时结束程序；否则转到步骤四继续运行。