基于Lag-SBP的Wiener型非线性系统的辨识方法

给出了Wiener型非线性系统的一种新的辨识方法，采用Laguerre函数与静态BP网络相结合构成Wiener型非线性系统的模型，并给出此模型参数递推辨识算法，这种模型参数辨识不需要实际系统的阶次和时延先验知识，对实际系统阶次和时延变化有较强的鲁棒性。数字仿真验证了该方法的有效性。     

基于自适应动态无偏LSSVM的故障在线监测

针对无法建立精确数学模型的非线性动态系统,提出一种基于自适应动态无偏LSSVM的故障在线监测模型.该模型通过改进LSSVM的结构风险形式得到无偏的LSSVM,并能够自适应的选择滑动时间窗的长度.在此基础上根据模型动态变化过程中核函数矩阵的特点设计了基于ChoIesky分解的学习算法提高了模型训练效率,实现了非线性系统的在线监测.通过系统输出预测误差的变化,利用Parzen核密度估计方法判断故障的程度.仿真结果表明该故障监测模型在系统正常工作的情况下,能够跟踪系统的动态变化趋势;在系统出现突变故障的情况下,能够快速检测系统故障;在系统出现缓变故障的前提下,能够对系统的故障进行预报.     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

基于复合微粒群算法的非线性系统模型参数估计

在系统辨识理论的实际应用中根据不同的对象和建模的不同目的去选择合适的辨识算法是一件不容易的事。针对非线性系统模型的多样性,提出了适应于多种不同模型的基于复合微粒群优化算法(HPSO)的系统参数估计方法,并对多种模型实例进行了仿真研究。实验结果表明,该算法是一种有效的系统模型参数估计方法。     

一类非线性系统盲辨识算法及仿真研究

针对离散非线性系统盲辨识问题,提出了一种基于循环平稳输入的非线性系统盲辨识方法。利用循环平稳输入信号的一阶统计特性和Hammerstein-Wiener模型非线性部分的逆映射,将有输入信号的辨识过程转变为无输入信号的辨识过程。介绍了Hammerstein-Wiener模型的结构及循环平稳输入的统计特性,对盲辨识算法机理进行了阐述。仿真结果表明该方法在解决一类离散非线性系统盲辨识问题上的切实可行性。     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.     

基于Elman网络的广义预测控制快速算法

将广义预测控制与Elman网络结合起来,提出了一种新的广义预测控制快速算法,首先用Elman网络对非线性系统进行辨识,建立预测模型,然后该算法引入了一种约束矩阵,约束矩阵的引入避免了矩阵求逆的计算,提高了系统的响应速度,最后通过对一个非线性系统的仿真验证了该方法的快速性和实用性.     

基于ANN预报模型的快速学习算法

提出了一种基于预报模型的变目标函数的前向神经网络快速学习算法。首先推导出一种综合目标函数从而实现极值点附近收敛速度的提高，然后导出变目标函数的局部化递扒最小二乘算法，该方法与现有同类的算法相比，可以提高收敛速度和预报精度，适用于需快速学习的系统辨识和其他应用。系统辨识的仿真实例表明了算法的优良性能。     

非线性系统的模糊辨识在线算法

在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。基于递推模糊聚类方法，提出了一种在线调节模糊模型的辨识算法。为了验证所提出方法的有效性，对几个非线性系统进行了辨识，最后给出了辨识结果。     

细菌生存优化在非线性模型辨识中的应用

提出了一种新的基于细菌生存优化(Bacterial Foraging Optimization BFO)的非线性模型辨识方法.它是利用群集智能仿生BFO算法对一类Hammerstein系统进行辨识,从而估计出它的参数模型.通过对这类输入非线性模型进行辨识,并用仿真实验说明BFO算法的参数设置与选择方法.比较基于粒子群优化(Particle Swarm Optimization PSO)的非线性模型辨识算法,特别是对有色噪声的鲁棒性、模型的辨识精度、辨识收敛速度进行对比分析,以得出BFO辨识算法的优缺点及其有效性.     

一种非线性系统的N阶线模型及其辨识方法

广义脉冲响应函数模型由于其辨识对输入激励的苛刻要求,限制了其在非线性系统故障诊断方面的应用.提出了一种基于广义脉冲响应函数的可以描述非线性系统动态响应过程的N阶线模型.它将广义脉冲响应函数的各阶空间特征压缩到一条边线上,减少模型的表征量,从而降低辨识的输入激励要求,使被压缩的模型更易于被辨识.并且,根据广义脉冲响应函数的特性,提出了模型的辨识方法.最后,仿真验证了模型的辨识,并分析了故障对模型的影响特征.表明该模型适用于非线性系统的故障诊断.     

基于主导子系统的非线性系统鲁棒故障诊断

针对非线性不确定系统的故障诊断问题,提出了一种基于主导子系统的自适应模糊观测器设计方法。利用主导子系统的观测器增益矩阵进行模糊观测器的设计,并推导出了系统状态估计误差有界的条件以及故障估计所要满足的自适应算法。另外,考虑到系统带有建模不确定,对故障检测的鲁棒性和灵敏度进行了分析。给出的仿真示例说明所提出的方法是有效的。     

一种新的基于神经网络的非线性组合预测方法

一种新的基于神经网络的非线性组合预测方法文新辉牛明洁（西安电子科技大学，７１００７１）（新疆石油学院，乌鲁木齐８３００００）ＡＮｅｗＮｏｎｌｉｎｅａｒＣｏｍｂｉｎｅｄＦｏｒｅｃａｓｔｉｎｇＭｅｔｈｏｄｏｎｔｈｅＢａｓｉｓｏｆＮｅｕｒａｌＮｅｔｗｏｒｋ...     

基于进化理论的故障模式判别算法

基于特征参数的故障模式判别是一个组合优化问题。在评析已有进化方法的基础上,建立了航空电子系统的故障模式判别模型,提出了一种将正交遗传算子(orthogonal genetic arithmetic operators, OGAO)融入到粒子群算法(particle swarm optimization, PSO)中的组合寻优方法,并进行了一定的改进。该方法能有效避免局部极小,较好地处理离散变量的组合优化问题,有利于提高解的精度和收敛速度。以某型机载综合数据采集器的电源模块为平台进行实验仿真,结果证明了本文算法的正确性和优越性。     

基于神经网络的航管装备故障预报系统研究

根据神经网络BP算法和专家系统原理 ,研究了航管装备故障预报的方法 ,给出了特征参数选取和知识库建立的过程 ,讨论了航管装备故障预报系统的系统结构和功能实现 ,界定了系统的推理机、解释机制、知识库规则和人机接口 ,并进行了航管装备机杨管制中心系统故障预报的过程举例 ,给出了一种基于神经网络实现航管装备故障预报系统的方法     

一种内涵式参数辨识的GM(1,1)新模型

针对普通GM(1,1)模型应用于非平缓变化序列预测时误差较大甚至失效的缺陷,提出了一种内涵式参数辨识的GM(1,1)新模型。推导了模型边值、背景值权重系数、发展系数以及灰作用量与预测值之间的非线性内涵表达式,并采用粒子群算法(particle swarm optimization, PSO)对内涵式参数进行辨识,建立了PSOGM(1,1)预测新模型。典型算例表明,PSOGM(1,1)模型收敛速度快,较普通GM(1,1)模型具有更高的预测精度,可应用于平缓变化及非平缓变化序列预测。     

Wavelet neural network based fault diagnosis in nonlinear analog circuits

1 .INTRODUCTIONWith recent advancement in digital signal process-ing and wireless communication, nonlinear analogintegrated circuits , such as logarithmic amplifierand power amplifier and PLL,are being used ag-gressivelyinindustry . Nevertheless ,fault diagno-sis continues to be the bottleneckin reducing ti me-to-market of these ICs . Since the methods whichwere used to diagnose linear analog circuits oftencan’t direaly be used in nonlinear analog circuitsand building nonlinear model is…     

基于加权平均一阶发散度的混沌序列预测法

深入分析了基于最大Lyapunov指数预测法产生误差的根源。在此基础上定义了一个新的变量:加权平均一阶发散度,并基于该变量提出了一种新的混沌序列预测方法。首先从理论上对该方法的基本原理进行了系统论述,并指出了加权平均一阶发散度所具有的一些显著特点。然后总结了所提预测方法的算法过程。最后将新方法应用于电力系统的负荷预测中,得到了理想的预测结果。通过分析和比较,验证了其有效性。     

一种混合建模方法在陀螺漂移预测中的应用研究

陀螺仪作为惯性导航系统的核心惯性器件,其漂移性能直接影响导航的精确性,分析陀螺漂移的变化趋势并预测由漂移所引发的陀螺故障具有重要的意义。提出一种基于灰色理论和平稳时间序列分析的混合建模方法,并将其用于预测陀螺漂移。实验结果表明该混合建模预测方法能够精确地预测陀螺的漂移,从而为陀螺的性能分析和故障预报提供依据。同时与单一预测方法相比,该混合方法具有较强的预测能力。     

Research on the Method of Nonlinear Combining Forecasts based on Fuzzy System

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆｕｎｃｔｉｏｎｓｏｆｍａｎａｇｅｍｅｎｔａｔａｌｌｌｅｖｅｌｓｉｎａｎｏｒｇａｎｉｚａｔｉｏｎｉｓｐｌａｎｎｉｎｇ ,ａｎｄｆｏｒｅｃａｓｔｓｐｌａｙａｋｅｙｒｏｌｅｉｎｔｈｅｐｌａｎｎｉｎｇｐｒｏｃｅｓｓ .Ｍａｎａｇｅｍｅｎｔｎｅｅｄｓｔｏｒｅｄｕｃｅｔｈｅｒｉｓｋｓａｓ ｓｏｃｉａｔｅｄｗｉｔｈｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ,ａｎｄｏｎｅｏｆｔｈｅｗａｙｉｎｗｈｉｃｈｔｈｉｓｃａｎｂｅｄｏｎｅｉｓｂｙａｎｔｉｃｉｐａｔｉｎｇ…