基于粒子群优化的时变系统辨识

提出了一种基于粒子群优化的时变系统辨识方法。其基本思想是将时变系统的辨识问题转化为非线性连续函数的在线优化问题 ,然后利用粒子群优化获得系统参数的最优估计。仿真结果显示 ,该方法对于时变参数具有很强的跟踪能力 ,与采用遗传算法的系统辨识方法相比 ,有实现简单、运算量小等特点。     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题，提出了神经网络的建模方法。辨识结构采用串并联形式，并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果，它不仅学习速度快而且稳定性好，可以作为一种良好的优化方法运用到神经网络建模和控制当中。     

基于遗传算法的嵌入式仿真的系统辨识与控制优化

数字随动(伺服)系统因具有非线性、不确定性和时变性,难以精确地建立系统的数学模型,由此对设计高性能的控制器造成困难.遗传算法因其隐含并行性、全局搜索等优点,在优化问题领域得到了很好的应用,但遗传算法简单应用于如数字随动系统这样的控制系统在线闭环辨识或参数优化时,会面临大量重复实验成本高、实验时间过长引起系统不稳定等实际问题.针对以上困难,提出一种基于嵌入式仿真的系统辨识方法,采用遗传算法进行数字随动系统同步在线闭环模型参数辨识与控制参数寻优.经过在数字随动系统实物环境下实验,证明了该方法的有效性.     

面向机组最优投入的改进遗传算法及其应用

根据机组最优投入问题（ＵＣ）的特点，对遗传算法（ＧＡ）的算子作了有效的改进，研究了参数设置对机组投入问题的影响，建立了具有自适应能力的参数调整模型，大大提高了算法的收敛能力．基于Ｃ语言的位操作算子进行计算，得到满意的效果     

改进微粒群算法及其在生料浆调配多目标优化中的应用

微粒群算法是一种简单易行、收敛快速的演化计算方法，但也存在早熟收敛的缺陷。鉴于惯性权值对控制算法收敛所起的作用，本文提出一种改进的微粒群算法，让惯性权值按类S型曲线形式随迭代次数非线性变化，并根据微粒当前的搜索状态自适应调节该曲线的曲率，有效保证算法收敛速度和全局寻优能力。改进的微粒群算法用于求解氧化铝生料浆调配过程0-1组合优化问题，与传统微粒群算法及遗传算法比较的结果表明，改进的微粒群算法具有较强的全局搜索能力且能有效避免早熟收敛问题。     

船舶航向GA-PID自适应控制研究

设计了船舶航向保持GA-PID自适应控制系统,通过系统辨识得到船舶航向运动的数学模型,在该模型的基础上采用遗传算法优化PID参数,将优化所得参数赋予实际的航向保持系统。在系统运行过程中,不断检测航向角偏差的标准差值,若该值超出设定范围,则重新辨识模型,优化参数。对系统进行仿真,仿真结果表明,与单纯形法优化的PID控制系统相比,该系统对海情的变化具有良好的自适应能力。该系统简单可行,具有工程应用价值。     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

非线性回归模型辨识的混合计算智能算法

通过定义牛顿算子、选择算子、混合数据结构以及适应度，得到可结合遗传算法和牛顿法两者长处，既有较快收敛性，又能以较大概率求得全局解（一致收敛估计）的非线性参数辨识算法。数值计算结果表明该方法显著优于遗传算法和牛顿法。     

基于遗传算法的伺服系统摩擦参数辨识研究

LuGre摩擦模型能够精确描述摩擦环节的动态特性 ,但由于其高度非线性 ,使得参数辨识非常困难。针对LuGre摩擦模型 ,提出一种新型的基于遗传算法的模型参数两步辨识方法。首先通过Stribeck曲线 ,辨识出摩擦模型中的静态参数 ,然后由系统的稳态极限环振荡响应 ,辨识出摩擦模型的动态参数。在每一步辨识中 ,均采用遗传算法作为优化工具 ,从而避免了采用线性辩识方法时的局部极小问题。对提出的方法进行了数字仿真 ,并通过设计摩擦补偿环节 ,对辨识参数进行验证 ,结果表明了该方法的有效性。     

基于自适应混合能量参数的变步长LMS水声信道均衡算法

提出了一种新的变步长算法,并将该算法用于水声信道均衡。该算法克服改进归一化最小均方(developed normanized least mean square, XENLMS)算法依赖固定能量参数λ的局限性,遵循变步长算法的步长调整原则在XENLMS算法的基础上引入一个自适应混合能量参数λk,改善算法收敛速度和鲁棒性。首先通过仿真分析变步长算法中的3个固定参数α,β,μ的取值范围及对算法收敛性能的影响;并在两种典型的水声信道环境下,采用两种调制信号对算法的收敛性能进行计算机仿真,结果显示,新算法的收敛速度明显快于XENLMS算法和已有的变步长算法,收敛性能接近递归最小二乘(recursive least square, RLS) 算法的最优性能,但计算复杂度远小于RLS算法。最后,木兰湖试验验证了带判决反馈均衡器(decision feedback equalization, DFE)结构的新算法具有较好的克服多径效应和多普勒频移补偿的能力,相比LMS-DFE提高了一个数量级。     

Parameter estimation for dual-rate sampled Hammerstein systems with dead-zone nonlinearity

The identification of nonlinear systems with multiple sampled rates is a difficult task.The motivation of our paper is to study the parameter estimation problem of Hammerstein systems with dead-zone characteristics by using the dual-rate sampled data.Firstly,the auxiliary model identification principle is used to estimate the unmeasurable variables,and the recursive estimation algorithm is proposed to identify the parameters of the static nonlinear model with the dead-zone function and the parameters of the dynamic linear system model.Then,the convergence of the proposed identification algorithm is analyzed by using the martingale convergence theorem.It is proved theoretically that the estimated parameters can converge to the real values under the condition of continuous excitation.Finally,the validity of the proposed algorithm is proved by the identification of the dual-rate sampled nonlinear systems.     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

一种促进PSO全局收敛的参数调整策略

模拟鸟群捕食行为的粒子群算法存在早熟收敛问题。理论和实验都证明了粒子群算法参数确定局部搜索能力与全局搜索能力的比例关系,对算法的收敛能力影响极大。对现有的参数调整策略进行了分析,指出了存在的问题。借鉴免疫机制中的多样性和变异理论,提出一种新的参数调整策略,该策略基于抗体的亲和力和粒子的聚集程度来确定粒子的最优适应值变化率及算法参数值。对经典测试函数的实验结果表明,提出的参数调整策略使算法的全局收敛能力得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题。     

基于分层遗传算法的模糊控制器在线优化设计

针对模糊控制器的优化问题,提出了一种基于改进的分层遗传算法在线优化设计方法。该算法在分层遗传算法的基础上修改了信息交换方式,采用自适应交叉算子和变异算子,并改进了变异算子的变异方式,使其能在现有最优解基础上进行更精确的局部搜索,提高了搜索速度和精度;同时,使用了具有约束的时间与绝对误差乘积积分(ITAE)型性能指标函数,能够对系统的稳态误差、超调量和上升时间进行有侧重的优化;并结合最小二乘参数在线辨识技术,实现了时滞时变系统模糊控制器的参数和结构在线同步快速优化。仿真实验证明了该方法的有效性。     

雷达海杂波反演大气波导的改进回溯搜索算法

了克服基本回溯搜索算法在大气波导反演问题中出现的收敛速度慢、容易陷入局部最优的缺点,提出一种基于反向学习机制和正交交叉机制的改进回溯搜索优化算法。该算法利用反向学习机制来选择较好的初始化种群,而正交交叉机制用来帮助算法加强全局搜索能力,避免算法陷入局部最优,从而提高算法的精度。通过常见测试函数的优化问题以及大气波导的反演问题来检验算法的性能。结果表明,所提算法具有较高的精度和较快收敛速度。     

CARMA模型多新息增广随机梯度参数估计算法的收敛性

将多新息辨识理论用于研究CARMA模型的参数估计问题。首先用估计残差来代替信息向量中的不可测噪声项,导出了CARMA模型的增广随机梯度算法,进一步把标量新息推广为新息向量,导出了相应的多新息增广随机梯度辨识算法,并利用鞅收敛定理分析了多新息增广随机梯度算法的收敛性。最后的仿真结果验证了该算法的有效性。     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰，研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法，利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离，推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数，有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比，提出的方法具有参数估计收敛速度快，辨识精度高，建模误差小等优势，验证了所提学习算法的有效性。     

基于新最速下降算法的自适应波束形成

针对阵列信号处理中自适应波束形成技术的抗干扰问题, 提出一种基于新的最速下降法的波束形成算法。新的最速下降法将多元二次凸优化问题转换为一元二次问题, 通过循环迭代的方式使求出的极值点向高维凸优化问题的极值点逼近, 最终使结果收敛到最优解。将这种算法应用于自适应波束形成, 提高自适应波束形成的收敛速度、抗干扰能力和低快拍下工作的能力。经过仿真验证, 与基于最小均方算法以及改进最小均方算法的波束形成方法进行比较, 所提出的波束形成算法具有抗强干扰、收敛速度快、能在低快拍条件下工作的优点。     

基于提前/滞后Flow Shop调度问题的混合微粒群算法

提出了一种混合微粒群算法,通过引入禁忌搜索算法和动态设置惯性权重等方法,提高了算法搜索全局最优解的能力并且能够有效避免早熟收敛问题。并将这种算法应用于求解实际的提前/滞后F lowShop调度问题,仿真实验结果表明了混合微粒群算法的可靠性与实用性。