1、非線性系統(tǒng)辨識一直是信號處理和控制理論的研究熱點和難點。模糊RBF(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)和模糊推理的優(yōu)點，具有強(qiáng)大的數(shù)據(jù)處理能力和非線性映射能力。但是梯度下降算法存在著收斂速度慢、易陷入局部最優(yōu)等問題。結(jié)合幾種智能進(jìn)化算法，尋求辨識效果更好的訓(xùn)練算法是本文的主要研究內(nèi)容。
　　 針對梯度下降算法存在的問題，采用幾種智能進(jìn)化算法對模糊RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為了對比不同智

2、能進(jìn)化算法辨識效果的優(yōu)劣，本文分別將遺傳算法(Genetic Algorithm，GA)、差分進(jìn)化算法(Differential Evolution，DE)和粒子群算法(Particle Swarm Optimization，PSO)用于模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識。仿真結(jié)果表明，三種算法中，粒子群算法具有較優(yōu)的辨識效果，其次為差分進(jìn)化算法。
　　 為了克服差分進(jìn)化算法搜索停滯等缺陷，采用一種基于Memetic算法思想的改進(jìn)

3、差分進(jìn)化算法(Chaotic Differential Evolution，C-DE)對模糊RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該算法利用混沌局部搜索和參數(shù)自適應(yīng)策略分別對差分進(jìn)化算法的個體進(jìn)行擾動和參數(shù)調(diào)節(jié)，增強(qiáng)了算法的全局搜索能力和自適應(yīng)能力。仿真表明，基于C-DE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)具有比粒子群算法和差分進(jìn)化算法更優(yōu)的辨識效果。
　　 為了進(jìn)一步改善系統(tǒng)的辨識效果，將粒子群算法、差分進(jìn)化算法和混沌局部搜索有機(jī)結(jié)合，提出一種基于混沌

4、搜索的差分進(jìn)化算法與粒子群的混合算法(Chaotic Particle Swarm Optimization&Differential Evolution，C-PSODE)，該算法利用差分進(jìn)化算法對粒子群算法的個體最優(yōu)進(jìn)行優(yōu)化，并更新群體最優(yōu)，當(dāng)算法出現(xiàn)搜索停止時，利用混沌搜索對群體最優(yōu)進(jìn)行局部搜索，不僅提高了整個算法的全局搜索能力，而且增強(qiáng)了算法的局部搜索能力。將C-PSODE算法用于模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識并進(jìn)行了仿真分析，