光纤陀螺非线性温度漂移模型的辨识

光纤陀螺对环境温度的敏感性一直是影响其漂移特性的重要因素，对于陀螺的漂移特性一般是利用线性ＡＲ，ＡＲＭＡ模型表示，但在温度变化情况下，用线性模型很难得到好的拟合效果和对漂移进行预测和补偿。试用小波网络对光纤陀螺进行非线性温度模型的辨识，经实测数据验证，表明具有较好预测的效果。     

电力负荷模型特性辨识方法的比较研究

在建立了异步电动机电力负荷模型的基础上，利用最小二乘法、复合变量法、卡尔曼滤波法在线辨识电力负荷特性．结果表明，当电力系统电压频率发生变化时，辨识的有功模型特性与异步电动机特性较为一致，辨识的无功模型精度较差，四阶模型优于三阶模型．     

人工神经网络在电力系统短期负荷预测中的应用

根据电力系统短期负荷变化的特性,提出BP模型在实际负荷预测应用中的方法和步骤．对BP网络结构、样本空间、收敛性等作了有针对性的研究．结果表明：多层神经网络应用于电力系统短期负荷预测是可行和有效的．其预报结果比传统的负荷预测方法更准确、经济、效果更好．     

辨识与控制分离的广义预测控制算法

提出了一种自适应广义预测控制策略．其中，对象参数辨识及预测模型参数计算等以较大的采样周期进行，滚动优化控制以较小的采样周期进行．将辨识与控制运算分别放在２个不同的中断服务程序中，使辨识与控制分离，通过不同采样周期的模型变换建立起辨识与控制的联系，可大大缩短控制运算时间，提高控制的实时性     

基于SLM模型的负荷模型总体测辨方法

福建电网已经建立了负荷在线综合建模系统,实现了负荷模型的在线动态维护。系统一期采用了基于CLM模型的负荷模型总体测辨方法,该模型由于没有充分考虑配网阻抗对负荷模型的影响,在实际应用中与实际负荷特性存在一定偏差。为了进一步提高负荷实测模型准确度,该文提出并实现了基于SLM模型的负荷模型总体辨识方法,并给出了SLM模型的辨识结果。基于SLM模型的负荷实测模型的应用将进一步提高电网仿真计算的精度。     

空调水系统实时在线优化控制预测模型的研究

针对集中空调水系统，将模型层次、模型特性及参数辨识有机结合，建立了系统层次实时在线的优化控制预测模型．该模型基于简单物理特性及自适应控制技术的模型参数在线辨识，能通过自校正式的在线仿真对系统的运行特性和控制特性进行实时预测．     

基于预测状态空间实现的GPC自适应算法

依据文［１］中提出的ＣＡＲＩＭＡ模型预测状态空间实现，在线辨识被控系统的单位阶跃响应序列和特征多项式系数，直接用辨识出的序列和特征多项式系数构成广义预测控制律．该算法计算量小，鲁棒性好，模型中Ｂ多项式阶次及时延可以未知     

基于人工神经网络的负荷数据预处理

对历史负荷数据进行处理是提高电力系统负荷预测精度首先要解决的问题。脏数据处理的过程就是对于含有脏数据的负荷曲线模式的辨识过程。首先利用自适应共振网络(ART网)对日负荷曲线进行分类,确定出每一类负荷曲线的特征曲线;然后用超圆神经网络(CC网)对特征曲线进行脏数据辨识;最后利用扩展短期负荷预测方法对脏数据进行修正。对某市2002年8月份的数据进行脏数据辨识,结果证明所提出的模型对脏数据的平均检测率为92.11%,效果令人满意。采用该处理过的历史数据对某市2002年8月14日的负荷进行预测,结果表明,利用该方法处理后的数据进行负荷预测提高了负荷预测的精度。     

优化灰色模型在负荷预测中的应用

论述了用优化灰色理论进行电力系统负荷预测的建模过程。通过指数平滑法对原始负荷数据进行预处理 ,把有起伏特性的原始数据序列改造成规律性强的序列 ,再利用优化灰色模型进行预测 ,提高了预测精度 ,该方法简捷实用 ,经实际算例校核证明 ,可以作为中期电力负荷预测的理想工具     

基于自适应滤波的日负荷预测新陈代谢模型

提出了对日负荷进行预测的新方法。基于自适应滤波算法进行预测,在预测过程中对原始数据进行新陈代谢处理,且根据预测日的属性对预测结果进行加权,并依据历史负荷中负荷的变动情况对结果进行校正,以求最佳预测效果。利用自适应滤波预测结果的残差建立时间序列的AR(p)模型,与自适应滤波模型形成组合模型,从而实现了短期电力负荷样本资料随时间变化而更新、样本量和计算量不增加而预测精度能得到保证的目标。与传统的预测方法相比较,该模型用于日负荷预测具有计算迅速、精度高的优点。     

带阶跃趋势的GM（1,1）及其在电力负荷中的应用

提出了一种带有阶跃趋势的改进型GM（1,1）模型,这种改进的灰色模型能够更好地适应带阶趋势的序列数据。同时该模型参数计算量大为减少,通过电力负荷实例的分析表明,这种改进的GM（1,1)模型更精确、合理。能够大大地提高预测精度和拓宽GM（1,1)的应用范围。这种带阶跃趋势的改进模型可以成为电力负荷预测的理想工具。     

我国煤炭产量的预测预报

本文运用统计学、预测理论探讨煤炭产量的预测预报,建立一组数据处理、预测预报的数学模型.为煤炭宏观管理的决策提供依据.     

集成数控车削中刀具状态的智能识别与监控

基于对车削过程中刀具状态的声振特性研究，实现以单片机为核心硬件的车削过程多级监控系统，系统由保真消噪装置在线提取信息，通过简单硬件电路一级监控，单片机程控二级监控以及高级微机联网的多功能复杂信息处理与识别，进行三级以上的智能预报和监测以及状态模型的自学习和自我完善，是ＦＭＳ和ＣＩＭＳ的关键技术。     

基于偏最小二乘法回归的工序质量建模

针对制造工序质量控制问题,应用多元统计分析中的偏最小二乘回归法建立了质量模型.利用该模型可以定量分析加工工序与最终成品率之间的关系,进而通过将大量的工序影响因子约简得到主要影响因子子集.根据在线生产的相关质量数据,采用非线性迭代偏最小二乘法获得影响因子的权重.得到偏最小二乘因子权重可以在线预测成品质量变化,避免离线测试.在半导体制造实例研究中,以工序质量水平为自变量,成品质量水平为因变量,建立了质量水平传递模型,应用该方法可实现多工序质量异常的在线诊断和预测,为质量控制提供了定量依据.     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。     

基于CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

动态测试误差灰色预报精度及修正

文章针对动态测量具有随机性、相关性、动态性等特点,借助灰色系统理论的方法建模,提出了最优化系数修正法对模型加以修正,较好地提高了模型的精度。克服了原有的灰色预测模型精度低的缺点,使其广泛用于动态测量的误差修正系统,具有现实的意义。     

含时滞分布参数系统稳定性的李雅普诺夫泛函方法

本文利用李雅普诺夫泛函，研究了一类时滞分布参数系统的稳定性，首先对一般情形，给出了系统在李雅普诺夫稳定意义下的判别条件，进而，在特殊情况下，给出了系统Ｘ０（Ω）稳定的判别条件．     

基于最优载荷分配的双臂机器人协调运动在线控制算法

以牛顿—欧拉算法为基础 ,建立适合于双臂机器人实时控制的在线控制算法 ,该算法包括 3个部分 ,一是运动在线控制算法 ,二是在线载荷优化算法 ,三是逆动力学在线控制算法 .该算法不仅给出相应运动学及动力学递推计算公式 ,而且以载荷的最小范数为目标函数 ,实现载荷的最优分配 ,使在线控制算法更具应用价值 .最后通过算例仿真验证算法的可行性