多级递阶决策支持系统

实践中,由于大型组织机构通常呈多级递阶结构,处于不同层次的决策人的作用往往是不可相互替代的,因此,即使采用大型的单机DSS来处理多级递阶结构,在许多情况下也是行不通的.为此,必须寻求新的途径,途径之一就是开发多级递阶决策支持系统MLHDSS(Multi-Level Hierarchical Docision Support System),运用大系统分解协调的理论和方法,建立多级的、递阶关联的、协调动作的多机系统.这种多机系统并不是多个重复的单机系统的简单叠加,而是一类新型的计算机辅助决策工具.本文将就MLHDSS的概念、特征、结构和实施等问题进行探讨.     

带有未知参数的非线性系统递阶模型跟踪控制器的设计

从参数估计与最优控制双目标优化的观点出发,采用大系统中分解-协调的方法,给出了一种对非线性系统四级递阶模型跟踪控制的算法,并用于求解带未知参数的同步电机励磁控制问题。仿真结果表明,此算法计算简便、结构分明,能达到较好的参数估计精度,而且能使非线性对象很好地跟踪模型。     

大规模复杂系统的递阶SDG模型描述及故障分析

讨论了3层结构的递阶SDG(signed directed graph)模型的描述方法,将单层的模型转化为多层递阶的模型,以提高推理效率而不丢失可能解,解决大规模复杂系统中图搜索计算复杂度高的问题.SDG模型的3层结构中顶层是独立或因果关系清楚的子系统,粗线条描述系统功能框架;中间层是主要变量和控制系统,描述系统的整体流程;底层是所有变量(过程变量、控制变量等),描述变量之间的因果影响关系.进行故障分析时,根据初始响应由上至下逐层进行搜索,寻找可能的故障源和后果.最后,对一个电厂发电机组的实例进行了建模和分析,证明了所提出方法的有效性.     

线性时变系统的一种预报方法

】本文首先介绍了基于最小二乘参数估计的传统预报方法和多层递阶预报方法，然后针对这两种方法的特点及存在的问题，提出了线性时变系统的一种新的预报方法。这种方法具有预报精度高，受参数估计初值选取的影响小的特点     

多变量CAR模型的递推辨识

将加权最小二乘法和限定记忆两种参数估计方法相综合，给出了多变量系统带控制输入的自回归模型未知参数的递推估计算法，该估计算法是前两种估计方法在多输入多输出MIMO系统的推广。     

伺服系统串级递阶滑模变结构控制

提出了一种串级递阶滑结构控制，将三维空间结构的控制器分解为两个二阶系统的控制器独立设计，这两个控制器共同完成系统的状态受限、控制受限式串级递阶滑模控制。给出了参控制器参数的确定方法，使系统获得优良的动态过渡过程品质。     

多变量系统的递阶梯度迭代辨识方法

根据递阶辨识原理,推导出滑动平均噪声干扰多变量系统的递阶梯度迭代辨识方法,仿真例子说明提出算法是有效性的.     

苏嵯输油管道生产运行方案优化

苏嵯输油管道是呼伦贝尔油田第一条长距离输油管道,承担着其主要的原油输送任务。为了降低原油输送成本,以生产运行费用最小为目标建立了苏嵯输油管道生产运行方案优化数学模型。该模型属于混合变量非线性优化问题。根据模型的结构特点,采用两级递阶优化方法进行求解。优化结果表明,优化方案与现有运行方案相比,综合费用冬季可节省18%,夏季可节省28%。     

多变量环境下基于递阶模糊神经网络的强化学习

针对多变量连续空间学习问题的复杂性，给出了一种采用递阶模糊神经网络(HFNN)的强化学习方法，两个结构相同的HFNN分别同时完成模糊动作的合成以及值函数的逼近，网络参数通过梯度下降法在线调整．该方法有效地解决了在多变量环境下所遇到的规则组合爆炸问题，减少了运算量和存储量．HFNN前一阶的输出不再作为下一阶的前件，而直接用于其结论部分，克服了前一阶输出含义不明确或没有含义所带来的设计问题．通过仿真二级倒立摆验证表明，所给出方法是正确可行的．     

基于有理分式等价的系统阶次和参数同时辨识

为了缩短现有系统参数辨识方法计算量,利用系统输入输出数据,估计出一假想阶次n(大于实际系统阶次)下的系统参数,再通过有理分式等价理论,可以依次求得小于n各阶次时的参数估计,然后通过准则函数来确定系统的真实阶次和参数估计。这种方法只需对一个较大的n进行递推计算,大大减少了计算量,具有计算量小的特点。仿真结果说明提出方法用于估计系统参数和阶次是有效的。     

动态调节模型的最小二乘迭代辨识方法

为了改进参数估计精度,利用递阶辨识的交互估计理论,提出了辨识动态调节模型的最小二乘迭代辨识方法。其基本思想是:在每步迭代计算中,将信息向量中或信息矩阵中不可测噪声项用其估计值代替,而噪声估计值又是用前一次迭代参数估计进行计算的,二者执行了一个递阶计算过程。与流行的递推广义最小二乘算法相比,提出的迭代算法在每一步计算中,同时利用了系统所有量测数据信息,因而具有更高的参数估计精度和更快的收敛速度。进行了仿真计算。     

动态非线性模型参数多层递阶估计法

针对目前通用的动态系统状态预报方法的不足,提出关于动态非线性模型参数估计的多层递阶估计法,并对预报误差的原因进行分析,使预报精度得到提高。     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

增广最小二乘限定记忆参数估计算法与仿真

最小二乘法可用于动态系统、静态系统、线性系统和非线性系统的参数估计,可用于离线估计,也可用于在线估计;文章在增广最小二乘递推算法的基础上引入限定记忆方式,获得了增广最小二乘限定记忆参数估计递推算法(RFMELS),解决了增广最小二乘递推算法的数据饱和问题,仿真结果表明了RFMELS算法的有效性.     

多变量系统子结构解耦零点和系统零点的特性

讨论了多变量系统子结构解耦零点，系统零点与系统整体解耦零点和系统零仍点的关系。结果表明子结构解耦零点和系统零点在最大子集意义上可由整体的解耦零点和传递函数阵零极点递阶描述并具结构分离特征。     

基于加速收敛与递阶迭代的多变量系统辨识算法

根据递阶辨识原理和迭代辨识原理,可以实现多变量系统参数的准确辨识,但是其参数的收敛速度有待提高。该文针对参数的收敛性进行研究,提出了基于加速收敛技术的辨识方法。该方法根据递阶辨识原理将多变量系统分解成2个子系统,使其分别含有参数向量和参数矩阵,再根据迭代辨识原理得到参数的迭代解,并应用加速收敛技术进行加速。仿真实验表明:该方法可以得到很好的辨识结果,加速收敛技术的应用显著提高了参数的收敛速度。     

多变量系统子结构系统零极点的递阶关系

多变量系统子结构系统零极点的递阶关系①周军庄炎吕振肃②（兰州大学电子与信息科学系，兰州７３００００）多变量系统零极点与系统观控性的关系已有结论［１］．但研究如多变量反馈系统通道切换和多重系统设计等问题时，需讨论系统局部结构与整体结构的关系．为此，Ｓ...     

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。     

多变量ARX-like系统的递阶最小二乘估计

利用Kronecker积,推导出多变量ARX-like随机系统的辨识模型,使用递阶辨识原理研制了一个递阶最小二乘参数估计算法.提出的递阶最小二乘算法比现存递推最小二乘算法计算量小.给出了为仿真例子.     

基于递阶T-S模糊系统的软测量建模方法

在采用递阶模糊系统进行软测量建模时,合理的模糊系统结构对于提高模型的性能具有重要的意义.为选择合理的系统结构,采用多目标遗传算法(MOGA)选择子系统的输入变量,并结合T-S模糊系统的特点,采用二分法划分子系统的输入空间,建立了基于递阶T-S模糊系统(HTFS)的软测量模型.该方法从结构细化、输入变量对输出的影响度、输入空间划分等多方面同时提高建模精度,简化模型结构.仿真结果表明,提出的软测量方法具有精度高、结构简单、生成规则数量少,具有良好的泛化特性等优点.