一种改进的多模型噪声辨识方法

在混合系统参数估计问题中，交互式多模型算法是一种比较有效的求解方法。但是当系统机动模式较多时，模型集中的模型数目也随之增加。针对模型集过大导致的参数估计精度下降的现象，提出了一种改进的多模型算法，并将其应用于系统噪声辨识。它利用多扫描量测信息，采用离散优化技术，获得近似于系统的实际噪声水平的最优的子模型集。然后，利用此进行噪声估计作为结果输出。Monte Carlo仿真结果表明了新算法估计精度优于标准IMM算法。     

辨识Hammerstein模型方法研究

提出了一种对单输入单输出Hammerstein模型的参数辨识方法。基本思想是：首先,将Hammerstein模型转换为一类中间模型。然后,提出利用一种改进的粒子群优化（improved particle swarm optimization,IPSO）算法获得中间模型的参数估计值。接着,通过相应的数学关系来达到对Hammerstein模型的辨识。最后,在数值仿真中,与使用其它辨识方法进行了比较,其结果表明了所给的参数辨识方法是切实可行的。     

有色噪声系统的迭代辨识与递推辨识方法仿真比较研究

针对ARARX模型(即动态调节模型),提出了分别辨识系统模型参数向量和噪声模型参数向量的新型最小二乘迭代辨识方法.其基本思想是:通过极小化一个信息矩阵中含噪声项的准则函数,导出两个参数向量的最小二乘估计式,进一步将估计式中信息矩阵所含的未知噪声项用其迭代估计代替,而其迭代估计又用前一次迭代的参数估计进行计算.在每步迭代计算中,二者执行了一个递阶计算过程.与滤波式递推广义最小二乘算法相比,提出的迭代算法也可用于在线辨识,而且在每一步迭代计算中,反复利用了系统可测数据信息,因而能够获得高精度参数估计.仿真例子证实了理论研究结果.     

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。     

基于跳辨识-MCMC组合算法的人民币汇率跳扩散模型参数估计问题

针对人民币汇率收益率时间序列数据存在的跳变特征,采用跳扩散模型对其时间序列数据进行描述.为识别跳变规律并解决模型的参数估计问题,提出了基于跳辨识-MCMC的组合算法:即结合Lee-Mykland的跳辨识方法与MCMC(蒙特卡罗马尔可夫链)方法形成组合算法,利用仿真实验,通过误差分析得出组合算法在跳扩散模型参数估计方面效果明显优于单一MCMC方法.以人民币/美元日汇率数据为样本进行实证分析,结果表明组合算法不但能较为准确地识别出汇率收益率的跳变时刻及规律,而且其模型参数估计的有效性大大提高.     

舰体挠曲运动在线建模研究

针对船体挠曲运动在线建模问题,提出了一种从导弹惯性导航系统测量数据中提取船体挠曲运动信息的方法,并通过相关因子法分析,验证了其在统计意义上的有效性。依照相关法,推导出了基于导弹惯性导航系统测量数据的船体挠曲模型参数在线辨识算法。数值仿真显示,模型参数估计值与真实值表现出相当好的一致性,且模型参数估计算法在典型海况下显示出良好的稳定性和鲁棒性,这表明所提方法用于船体挠曲变形的在线建模具备可行性。     

加性噪声背景下基于ICA的线性系统辨识算法

在加性噪声背景下,将线性系统辨识问题纳入到独立分量分析(ICA)瞬时混合模型中,提出了一种新的结合ICA技术的线性系统辨识算法.该算法无需对噪声信号的统计特性进行任何先验假定,根据ICA模型中瞬时混合矩阵的先验知识,准确估计出系统输出的加性噪声,从观测数据减去该噪声后,利用最小二乘理论实现算法对未知系统的参数估计.仿真实验表明,该算法不仅有效地消除了一般算法对于噪声特性的限制,而且在低信噪比下仍能取得较为理想的辨识结果.     

ARMA模型辨识及其在光纤陀螺漂移建模中的应用

针对含有噪声的时间序列模型辨识精度低的问题,采用自回归函数的衰减正弦曲线方法估计含有噪声的ARMA模型系统参数,AR参数从衰减正弦曲线直接获得,MA参数估计采用相关匹配技术.仿真结果表明,时于具有不同信噪比噪声干扰的系统,该算法具有良好的收敛性和准确性.在此基础上,将该方法应用到光纤陀螺漂移误差建模中,实验结果表明,采用该算法所确定的模型能够精确的反应光纤陀螺的漂移趋势.     

SIMO系统辅助变量最小二乘盲辨识方法

辅助变量辨识方法是一类重要的辨识方法,然而对于盲辨识,系统输入未知,辅助矩阵的选择就成了难题。针对盲辨识领域研究最多的单输入多输出(SIMO)系统,利用辅助变量方法研究相应的盲辨识方法,其基本思想是联立其中两个子系统进行辨识,利用其他子系统的输出来构造辅助矩阵,从而提出了辅助变量最小二乘盲辨识方法,来获得系统参数估计。还给出所提算法的递推形式,并进行了收敛性分析。仿真例子验证了所提方法的有效性。     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.     

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。     

基于PSO算法的系统辨识方法

研究了利用粒子群优化(particle swarm optimization, PSO)算法对系统进行辨识的新颖方法.该系统辨识方法的基本思想是将典型数学模型的相互组合而构成系统模型,即就是首先将系统结构辨识问题转化为组合优化问题,然后再采用粒子群优化算法同时实现系统的结构辨识与参数辨识.最后,给出了仿真示例,其仿真结果验证了所给的系统辨识新方法的合理性和有效性,辨识精度高,具有良好的实用性.     

基于混合遗传粒子群算法的混沌系统参数估计

针对粒子群算法容易出现"早熟"的缺点,提出了一种改进的混合遗传粒子群(hybrid genetic particle swarm optimization,HGPSO)算法。在粒子群算法的迭代中引入淘汰机制,将满足淘汰条件的粒子与当前适应度最优的粒子进行多后代择优交叉和一定概率的变异操作,以期得到适应度更优的新粒子,代替被淘汰粒子。通过对4个典型函数的测试表明,该算法能够有效地克服"早熟"现象,提高了全局寻优的能力。将改进的算法用于Lorenz混沌系统的参数估计。仿真结果表明,即使在加入测量噪声的情况下,该算法仍能够对系统的未知参数做出有效的估计。     

网络化防空导弹体系集中式拦截联盟形成方法

集中式拦截联盟(CIC)形成是网络化防空导弹体系(NADMS)中的新问题,旨在确定目标、火力节点以及制导节点三者之间的最优匹配关系,以使得体系整体作战效能最大.根据问题背景,建立了CIC的约束优化问题模型,并选择收敛速度较快的粒子群优化(PSO)算法对模型进行求解.针对PSO的局部收敛问题,从认知心理学角度将人类特有的创造性思维(CT)引入粒子速度更新公式中,通过提升单个粒子的搜索能力来提高整个群体的寻优质量.基于CT过程经典的四阶段模型构建了算法框架,改进了PSO的速度更新公式.根据CIC问题特点,制定了编码策略及相关变量的离散化运算规则.实验结果证明了算法在CIC问题求解质量和收敛速度方面的优越性.     

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。     

一种基于子群杂交机制的粒子群算法求解旅行商问题

粒子群算法是在借鉴海鸥群落觅食行为基础上发展起来的仿生学优化算法，为求解复杂的组合优化问题提供了一种新的思路。本文提出一种结合粒子群算法结构和求解TSP问题蚁群算法特点的新算法，将多用于连续空间优化的粒子群成功扩展到TSP领域。算法通过杂交粒子选择机制，运用两种不同设计的杂交算子，成功模拟了自然界同物种不同种群间的协作与交流，将多子群策略和子群问杂交操作引入粒子群结构之中，增强算法的寻优能力。实验结果表明，该算法能有效地保证粒子问多样性差异，通过优化信息在子群间顺畅交流，有效地促进整个群落的进化收敛。该算法在解决TSP问题时．无论在收敛性和鲁棒性方面都优于一般的单群体、非杂交算法。是一种优秀的TSP问题解法。最终优化结果均达到TSPLIB中记录的已知最优解。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

基于协同Memetic自适应QPSO算法的传感器目标分配问题求解

对复杂防空作战环境下的传感器目标分配(sensor target assignment,STA)问题进行了研究,建立了基于识别、跟踪、定位多阶段综合作战效能〖JP3〗的分配模型。针对该模型,首先基于粒子群聚集度和进化度判断,对传统量子粒子群(quantum particle swarm optimization, QPSO)算法进行了改进,提出了自适应QPSO算法。然后,结合多粒子群协同和Memetic搜索策略,提出了基于协同Memetic自适应QPSO算法的STA求解方法。同时,为使粒子位置矢量反映分配方案,依据不同战场环境设计了两种特殊的粒子编码方案。最后通过仿真实验验证了所提算法的有效性。