ARTICULO TRADUCIDO

Este trabajo presenta la identificación del sistema utilizando neuronal
la red se acerca para modelar un doble rotor basada laboratorio
sistema multi-producto multi-entrada (TRMS). Aquí nos centramos en un
memética enfoque basado en el algoritmo para la formación de la multicapa
perceptrón red neural (NN) aplicada al sistema no lineal
identificación. En el esquema de identificación del sistemapropuesto,
han explotado tres métodos de búsqueda globales saber genética
algoritmo (GA), Swarm Optimización de partículas (PSO) y
evolución diferencial (DE) que se han hibridado con la
método de descenso de gradiente es decir, la propagación hacia atrás (BP) algoritmo
para superar el lento convergencia de la evolución neural
redes (EANN). El algoritmo de búsqueda local de BP se utiliza como unaoperador de GA, PSO y DE. Estos algoritmos han sido
probado en un TRMS basados ​​laboratorio para el sistema no lineal
identificación para probar su eficacia.

Identificación del sistema usando redes neuronales ha sido
considerado como un enfoque prometedor debido a su función
propiedades de aproximación [1] y para el modelado no lineal
la dinámica del sistema. Sin embargo, se necesita mucha másinvestigación para
lograr su convergencia más rápida y la obtención de los mínimos global.
Por lo tanto ha habido un gran interés en la combinación de la formación
y la evolución de las redes neuronales en los últimos años. El mayor
desventaja de la [2] EANN enfoque es que es
computacionalmente caro y tiene una convergencia lenta. Con un
ver para acelerar la convergencia del proceso de búsqueda, unanúmero de diferentes métodos de gradiente, tales como LM y BP están
combinado con algoritmos evolutivos. Estos nueva clase de
algoritmos híbridos búsqueda evolutiva es decir mundial
complementado con técnicas de búsqueda local son comúnmente
conocida como algoritmos meméticos (MAS). MAs han sido probados
mucho éxito en una amplia gama de problemas tales dominios
como la optimización combinatoria[3], la optimización de no estacionario
funciones [4], la optimización multi-objetivo [5],
bioinformática [6] etc.
Una variante de la computación evolutiva es decir, el diferencial
Evolución [7-9] es una optimización estocástica basada en la población
método similar al algoritmo genético [4] que encuentra una
creciente interés en el último año como una optimización
técnica en la identificación desistemas no lineales debido a su
logro de un mínimo global. Sin embargo, un poco de trabajo tiene
ha informado sobre memetic aprendizaje evolución diferencial de
red neuronal. Por lo tanto, atrae la atención de la
presente trabajo para la formación de redes neuronales. En este trabajo, un
evolución diferencial hibridado con la propagación de atrás tiene
ha aplicado como un método de optimizaciónpara neuronal feed-forward
red. Evolución Diferencial (DE) es un eficaz, eficiente
y el método de optimización robusta capaz de manejar no lineal
y funciones objetivo multimodales. La belleza de la DE es su
estructura simple y compacto que utiliza un estocástico directa
enfoque de búsqueda y utiliza conceptos comunes de la EA.
Además, DE utiliza pocos parámetros y fácilmente elegidos
proporcionaexcelentes resultados para un amplio conjunto de referencia y
problemas del mundo real. Los resultados experimentales han demostrado que el DE
tiene buenas propiedades de convergencia y supera a otros bien
EA conocidos. Por lo tanto, existe la posibilidad de utilizar el enfoque de DE
optimización de peso neural. En comparación con un gradiente basado
evolución método diferencial parece proporcionarventaja en
la convergencia términos de velocidad y encontrar óptimo global.
En este trabajo, los autores proponen un enfoque híbrido en el que
los métodos de búsqueda local (LM, BP) actúa como un operador en el
algoritmo de búsqueda global con vistas a conseguir mínimo global
con buena velocidad de convergencia. Aquí, algoritmo genético,
optimización por enjambre de partículas y evolución...