改進蟻群聚類算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)控制研究及其應(yīng)用.pdf

1、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、可以逼近任意非線性系統(tǒng)等特點，使其成為一種不依賴于控制對象模型的有效工具，適合于對水處理系統(tǒng)這類非線性不確定系統(tǒng)進行控制。然而RBF神經(jīng)網(wǎng)絡(luò)的缺陷也是存在的，一方面初始參數(shù)的設(shè)定對RBF神經(jīng)網(wǎng)絡(luò)的模型確定具有至關(guān)重要的作用。另一方面RBF神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的學(xué)習算法如K-均值算法依賴于事先給定的初始樣本數(shù)據(jù)的聚類個數(shù)以及聚類中心向量，并且K-均值算法只是一個粗略搜索過程容易陷入局部極小值，這就直接的影

2、響到了RBF神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。本文將采用改進的蟻群聚類算法來優(yōu)化K-均值算法，并用優(yōu)化后的學(xué)習算法對RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，然后將基于優(yōu)化學(xué)習算法的RBF神經(jīng)網(wǎng)絡(luò)PID控制器應(yīng)用到對水處理PH值的控制中，實驗結(jié)果驗證了該控制方法的可行性和有效性。
　　 本文首先介紹了RBF神經(jīng)網(wǎng)絡(luò)和蟻群聚類算法的研究現(xiàn)狀，RBF神經(jīng)網(wǎng)絡(luò)的模型原理和優(yōu)缺點以及K-均值學(xué)習算法的基本思路和實現(xiàn)步驟。并重點介紹了兩種原理下的蟻群聚類算法以及BM

3、模型和AM模型，之后在AM模型的基礎(chǔ)之上采用了一種改進的蟻群聚類算法(Improved Ant Colony Clustering，IACC)。該算法對基于AM模型的AAC算法進行改進，在原有AM模型的基礎(chǔ)之上給螞蟻增加了一種“休整”狀態(tài)，減少了人工螞蟻因找不到合適地方進行睡眠而盲目游走所消耗的時間，加快了聚類形成的速度，提高了聚類的質(zhì)量。通過對三種數(shù)據(jù)集的仿真實驗驗證了IACC算法聚類速度快，聚類質(zhì)量好的特點。進而運用IACC算法對R

4、BF神經(jīng)網(wǎng)絡(luò)的K-均值學(xué)習算法進行優(yōu)化，并運用優(yōu)化的K-均值學(xué)習算法對RBF神經(jīng)網(wǎng)絡(luò)進行建模，通過對非線性函數(shù)的擬合和逼近實驗來驗證優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。最后設(shè)計了基于優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的PID控制器并將其應(yīng)用到水處理PH值控制系統(tǒng)中，通過MATLAB的SIMULINK模塊進行仿真，仿真結(jié)果表明優(yōu)化的RBF-PID控制器在魯棒性、穩(wěn)態(tài)精度、抗干擾等方面具有明顯的優(yōu)勢，不但可以使系統(tǒng)具有較小的超調(diào)量，PH值達到了國家的標準而且響應(yīng)時