資源描述：
《基于QPSO小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、國(guó)內(nèi)圖書分類號(hào)：TPl83工學(xué)碩士學(xué)位論文基于OPSO小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與研究碩士研究生：導(dǎo)師：申請(qǐng)學(xué)位級(jí)別：學(xué)科、專業(yè)：所在單位：答辯日期：授予學(xué)位單位：呂超宋清昆工學(xué)碩士控制理論與控制工程自動(dòng)化學(xué)院2013年3月哈爾濱理工大學(xué)ClassifiedIndex：TPl83DissertationfortheMasterDegreeinEngineeringDesignandResearchonWaveletNetworkControllerBasedonQPSOCandidate：Supervisor
2、：AcademicIk柳eeAppaedfor：Specialty：DateofOralExamination：University：LvChaoSongQingkunMasterofEngineeringControlTheoryandControll邑ngmeermgMarch，2013HarbinUniversityofScienceandTechnology哈爾濱理工大學(xué)碩士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：此處所提交的碩士學(xué)位論文《基于QPSO小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與研究》，是本人在導(dǎo)師指導(dǎo)下，在
3、哈爾濱理工大學(xué)攻讀碩士學(xué)位期間獨(dú)立進(jìn)行研究工作所取得的成果。據(jù)本人所知，論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對(duì)本文研究工作做出貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式注明。本聲明的法律結(jié)果將完全由本人承擔(dān)。作者簽名：昌趟日期；年月日哈爾濱理工大學(xué)碩士學(xué)位論文使用授權(quán)書《基于QPSO小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與研究》系本人在哈爾濱理工大學(xué)攻讀碩士學(xué)位期間在導(dǎo)師指導(dǎo)完下成的碩士學(xué)位論文。本論文的研究成果歸哈爾濱理工大學(xué)所有，本論文的研究?jī)?nèi)容不得以其它單位的名義發(fā)表。本人完全了解哈爾濱理工大學(xué)關(guān)于
4、保存、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向有關(guān)部門提交論文和電子版本，允許論文被查閱和借閱。本人授權(quán)哈爾濱理工大學(xué)可以采用影印、縮印或其他復(fù)制手段保存論文，可以公布論文的全部或部分內(nèi)容。本學(xué)位論文屬于保密口，在年解密后適用授權(quán)書。不保密團(tuán)。(請(qǐng)?jiān)谝陨舷鄳?yīng)方框內(nèi)打4)日期：年月日日期：年月日哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文基于QPSO小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與研究摘要小波神經(jīng)網(wǎng)絡(luò)是將人工神經(jīng)網(wǎng)絡(luò)與小波分析理論基礎(chǔ)相結(jié)合共同建立的·種新型神經(jīng)網(wǎng)絡(luò)，它結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與小波分析的優(yōu)點(diǎn)。首先，時(shí)頻局部化這一小波變換
5、的重要特性被充分利用；其次，人工神經(jīng)網(wǎng)絡(luò)充分發(fā)揮自身的學(xué)習(xí)能力，進(jìn)而將容錯(cuò)能力和比較強(qiáng)的逼近能力充分體現(xiàn)出來(lái)。但是人工神經(jīng)網(wǎng)絡(luò)與小波分析結(jié)合時(shí)會(huì)對(duì)小波神經(jīng)網(wǎng)絡(luò)自身的結(jié)構(gòu)產(chǎn)生影響，導(dǎo)致在小波神經(jīng)網(wǎng)絡(luò)模型中易于出現(xiàn)陷入局部極小或不收斂等問題。文；中首先對(duì)小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法和結(jié)構(gòu)特性進(jìn)行了研究。在研究算法的過程中，發(fā)現(xiàn)小波神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)訓(xùn)練算法有許多不足，為了改進(jìn)傳統(tǒng)算法，文中提出了量子行為粒子群算法(Quantum．behavedParticleSwarmAlgorithm)，并且簡(jiǎn)要分析了QPSO算法的
6、基本原理與和基本流程；研究了QPSO算法的優(yōu)勢(shì)，將量子6勢(shì)阱模型作為QPSO算法的基本形式，設(shè)計(jì)出粒子位置的概率密度函數(shù)和波函數(shù)；又對(duì)QPSO算法的收斂性進(jìn)行了研究。在判斷QPSO算法的收斂性時(shí)，QPSO算法的基本進(jìn)化方程將依照MonteCarlo方法推導(dǎo)出來(lái)；判斷出粒子在基本進(jìn)化方程中的收斂問后題，得出兩種較好的搜索策略，從而進(jìn)一步得出完整的算法流程。最后又對(duì)QPSO算法與PSO算法進(jìn)行比較分析，得出量子行為粒子群算法的優(yōu)點(diǎn)。其次，根據(jù)研究?jī)?nèi)容分析設(shè)計(jì)出性能良好的小波控制器。在OPSO算法中加入學(xué)習(xí)因子
7、、進(jìn)化速度和粒子聚集度等參數(shù)，并對(duì)QPSO算法的參數(shù)迭代更新加以完善，使控制參數(shù)增加，從而獲得完善的小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果，再利用量子行為粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)控制器。最后，通過仿真對(duì)其性能進(jìn)行研究。選取最常用的Morlet小波作為小波基函數(shù)，并將控制對(duì)象選為二級(jí)倒立擺，利用軟件構(gòu)建仿真模塊。根據(jù)仿真實(shí)驗(yàn)和實(shí)物控制實(shí)驗(yàn)?zāi)軌蝌?yàn)證控制器有較強(qiáng)的穩(wěn)定性和抗干擾能力。關(guān)鍵詞小波神經(jīng)網(wǎng)絡(luò)；量子化粒子群算法；二級(jí)倒立擺哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文DesignandResearchonWaveletNetworkC
8、ontroller．BasedonQPSOAbstractTheWaveletNeuralnetworksiSanewtypeofneuralnetworkbasedontheartificialneuralnetworkandwaveletanalysiscombiningthebenefitsofartificialneuralnetworkandwaveletanalysis．Atfirst，the矗equencyloc
