【2010】改进蚁群算法优化神经网络速度辨识器的研究与应用

《【2010】改进蚁群算法优化神经网络速度辨识器的研究与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据曼烹。熟．。．．．．．．．．．。。．。。．。。．。．．．．．．．．．簇二：，、20lo年第4j褥第s期．二：勰∞目㈣“m哪“¨目■■■■■■■■—■■●■■■■—■■—■■—■■■—●■■■■■■■■●■■■■■■■■■■■■■■■■■●■■—■■●—■■■■■■■■■_■■■■■■■■■■■■■啊踟㈣‰、·㈣糊御l改进蚁群算法优化神经网络速度辨识器的研究与应用曹承志1，一，贾丽超1，陈桂宏2，杨俊伟2，佟向坤2(1．沈阳工业大学信息科学与工程学院，沈阳1101782．南海东软信息技术学院计算机科学与技术系，佛山528225)摘要：对基本蚁群算法进行了改进以提高其全局寻优速度，

2、并用此改进型的蚁群算法来优化神经网络，再将该神经网络应用于直接转矩控制系统当中，实现对转速的观测，最终实现无速度传感器的直接转矩控制。仿真研究表明，改进的蚁群算法具有优良的全局优化性能，且收敛速度较快，应用其优化的神经网络在直接转矩控制系统中能较准确地辨识出系统转速，从而可以替代传统的速度传感器，实现无速度传感器直接转矩控制。关键词：改进蚁群算法；神经网络；速度辨识；直接转矩控制中图分类号：TP273+．23文献标志码：A文章编号：1001-6848(20lO)08-0052-05ResearchandApplicationofSpeedIdentifierBasedonNeuralN

3、etworkOptimizedbyModifiedACOCAOCheng．zhil，2，JIALi．cha01，CHENGut—hon92，YANGJun．wet2，TONGXiang—kun2(1．DepartmentofInformationScienceandEngineering，ShenyangUniversityofTechnology，Shenyang110178，China；2．DepartmentofComputerScienceandTechnology，NeusofiInstituteofInformationTechnology，Nanhai，Foshan528

4、225，China)Abstract：Toenhanceitsglobaloptimizationspeed，thebasicantcolonyoptimization(ACO)wasmodi—fled，thenitwasusedtooptimizetheneuralnetworks(NN)，andtheoptimizedNNwasappliedtothedi-recttorquecontrol(DTC)system，80thattherotatespeedcarlbeobserved．TheDTCofsensorlesswasimplementedatlast．Theresearch

5、ofsimulationshowsthatthemodifiedACOhaseminentglobaloptimiza—tionperformance，andfastconvergencerate，therotatespeedofthesystemisabletobeidentifiedbytheDTCsystemwiththeNNoptimizedbythismethodexactly，thereby，thetraditionalspeedsensorcanbere—placedandtheDTCwithsensorlesscanbeimplement．KeyWords：Modifi

6、edantcolonyoptimization；Neuralnetwork；Rotorspeedidentification；Directtorquecontrol0引言直接转矩控制技术(简称DTC)是继矢量变换控制之后的又一高性能的交流变频调速技术，它的系统结构简单，控制思路新颖，对电机参数变化不敏感，并具有良好的控制性能，因而被广泛应用⋯。无速度传感器技术是现代交流传动研究的一个重要方向，它可以降低系统的成本，提高系统的可靠性，且适用于一些如潮湿、灰尘多等特殊的场合【2J。目前，神经网络(neuralnetwork)因其高速运算能力、强自学习能力、自适应能力和非线性映射能力等特点发

7、展迅速，而基于误差反传算法的神经网络(BPNN)在速度辨识方面被广泛应用。但该算法采用的是沿梯度下降算法，需要很长时间的训练才能收敛，且不可避免地会遇到局部极小的问题口-。蚁群优化算法(ACO)是一种基于种群的启发式仿生进化算法。该算法采用分布式并行计算机制，易于与其它方法结合，且具有较强的鲁棒性。但与此同时，搜索时间长、易陷入局部最优解是基本蚁群算法的明显缺点。本文首先对基本蚁群算法进行改进，以提高其全局寻优速度，然后再将改进的蚁群算法与神经