基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。     

微燃机-冷热电联供机组的Hammerstein模型及非线性广义预测控制

为研究微燃机-冷热电(MGT-CCHP)联供机组动态运行特性及控制策略,采用Hammerstein模型结构快速辨识其非线性动态特性,并将非线性动态特性以串联的非线性静态模型和线性动态模型表示.采用逐步回归法确定动态模型阶次并采用粒子群算法辨识模型参数,得到易于复现的块结构化模型.基于Hammerstein预测模型,设计了MGT-CCHR冷负荷跟踪非线性广义预测控制器.利用Hammerstein模型分块描述对象静态与动态特性的结构特点,将非线性广义预测控制转化为线性广义预测控制与非线性静态函数求根问题,使控制量求解简化.通过与最优参数PID控制器的仿真结果比较表明,所设计的非线性广义预测控制器具有改善冷负荷跟踪性能和节能控制的效果.     

一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

Hammerstein系统遗忘因子有限窗口分解辨识

提出一种带遗忘因子和分解辨识策略的有限数据窗口递归最小二乘Hammerstein系统辨识方法。针对Hammerstein系统具有耦合参数的问题,将Hammerstein系统分解为2个子系统：一个子系统包含线性子系统参数,另一个子系统包含非线性子系统参数;提出一种基于遗忘因子的有限窗口递归最小二乘方法对分解模型进行在线递归估计;仿真示例验证了所提算法能够快速跟踪参数,实现对Hammerstein系统的精确辨识。     

基于动态分离的Hammerstein模型辨识法

 通过对工业大系统输入信号的设计,使Hammerstein模型输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉。利用分散辨识得到系统的线性动态模型。基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了工业大系统中Hammerstein模型辨识的动态分离方法。仿真结果表明此方法的有效性。     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

基于ＳＯＲＡ 的多学科协同优化可靠性优化方法

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

基于组合信号源的非线性系统的子空间辨识

为解决对非线性采样系统的状态空间Hammerstein模型难以辨识的问题,提出了基于组合信号源的辨识方法.首先用组合信号源将静态非线性环节和动态线性环节分离.其次,采用模糊神经模型拟合静态非线性环节,有效地避免了采用多项式方法逼近非线性函数的限制,拓宽了非线性模型的适用范围;采用子空间算法估计采样系统的状态空间参数矩阵.最后,通过对两个非线性Hammerstein系统模型的仿真,验证了所提出的辨识方法,既简化了辨识过程,对非线性模块能够较好地拟合,又可以很快估计出状态空间方程系数矩阵,从而证明了所提方法的准确性和有效性.     

非线性动态传感器系统 Hammerstein神经网络补偿法

针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。     

伺服系统Hammerstein非线性模型及参数辨识方法研究

在伺服系统建模中,针对线性模型无法表达系统在低速、运动换向条件下摩擦与死区等非线性现象的问题,采用包含静态非线性部分和动态线性系统的Hammerstein模型来代替线性模型对伺服系统进行了描述.根据静态非线性模型逼近伺服系统的非线性特性,非线性模型采用分段非对称多项式基函数来解决摩擦在运动中存在的非对称特性.对于多频率正弦输入信号和伺服系统的速度输出信号,由迭代最小二乘方法来估计模型的参数.通过辨识实验中的线性模型和Hammer-stein模型的输出,说明采用Hammerstein模型方法能有效地对系统非线性部分建模,Hammer-stein模型的输出误差比线性模型的输出误差约减少90%,因此显著地提高了系统的模型精度,实现了对系统非线性动态行为的精确预测.     

Auxiliary Model Based Multi-innovation Stochastic Gradient Identification Methods for Hammerstein Output-Error System

Special input signals identification method based on the auxiliary model based multi-innovation stochastic gradient algorithm for Hammerstein output-error system was proposed.The special input signals were used to realize the identification and separation of the Hammerstein model.As a result,the identification of the dynamic linear part can be separated from the static nonlinear elements without any redundant adjustable parameters.The auxiliary model based multi-innovation stochastic gradient algorithm was applied to identifying the serial link parameters of the Hammerstein model.The auxiliary model based multi-innovation stochastic gradient algorithm can avoid the influence of noise and improve the identification accuracy by changing the innovation length.The simulation results show the efficiency of the proposed method.     

Identification of Continuous-Time Hammerstein System with Nuclear Norm Convex Relaxation

The nuclear norm convex relaxation method is proposed to force the rank constraint in the identification of the continuous-time( CT) Hammerstein system. The CT Hammerstein system is composed of a linear time invariant( LTI) system and a static nonlinear function( the linear part is followed by the nonlinear part). The nonlinear function is approximated by the pseudospectral basis functions, which have a better performance than Hinge functions and Radial Basis functions. After the approximation on the nonlinear function, the CT Hammerstein system has been transformed into a multiple-input single-output( MISO) linear model system with the differential pre-filters. However, the coefficients of static nonlinearity and the numerators of the linear transfer function are coupled together to challenge the parameters identification of the Hammerstein system. This problem is solved by replacing the one-rank constraint of the regularization optimization with the nuclear norm convex relaxation. Finally, a numerical example is given to verify the accuracy and the efficiency of the method.     

一类污水处理过程水质多模型在线软测量方法

根据污水处理厂入水水质的特征参数进行工况区域分析,基于多模型方法建立了多工况下的水质软测量模型.其中局部模型由Hammerstein模型描述,采用误差反传类稳定学习算法学习非线性增益的多层感知器,采用递推最小二乘法学习线性部分ARX模型参数,根据样本与聚类中心之间的相近度在线修正聚类中心,基于软切换的多模型建模思路提出了出水水质COD的软测量方法.实验结果表明,在线修正聚类中心可反映工况点的动态变化;与实际运行数据进行了对比验证,表明多模型软测量方法具有较高的精度.     

含非线性摩擦的伺服系统连续模型直接辨识

为准确描述伺服系统的动态特性与摩擦非线性,提出了一种非线性连续模型直接辨识方法. 该方法以离散输入输出数据与速度方向的逻辑值作为辨识输入,通过等价变换将未知参数都转移到模型的线性部分中,再运用基于状态变量滤波器的直接辨识法求得未知参数,从而获得伺服系统的非线性连续模型. 通过仿真及在双向转台伺服系统的实验表明,该方法在有噪声的情况下仍能准确辨识出非线性连续模型,能准确描述伺服系统的动态特性.