一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

系统辨识的粒子群优化方法

研究了一种基于粒子群优化算法对系统进行辨识的新方法.该方法的基本思想是将典型数学模型相互组合而构成系统模型,即首先将系统结构辨识问题转化为组合优化问题,然后利用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步提高粒子群优化算法的辨识性能,提出了一种改进的粒子群优化算法.仿真结果表明,给出的辨识算法是合理的,虽然扰动对算法的性能以及辨识结果有一定的影响,但利用文中所提出的改进粒子群优化算法仍然可以理想地辨识出系统的结构以及模型的参数,且与已有辨识算法相比更加有效.     

一种新的TS模型辨识算法

提出一种新的TS模型辨识算法.该算法思想:首先采用MCR算法(Mountain C-Regressionmethod)自动确定聚类数目和初始聚类中心,然后采用改进的GK(Gustafon-Kessl)聚类算法得到最优的划分矩阵,再根据最优划分矩阵计算系统前件参数的最优值,最后用自适应粒子群优化算法(Adaptive Parti-cle Swarm Optimization,APSO)对后件参数进行优化.此辨识算法能够用较少的规则数描述给定的未知系统,并且容易实现.仿真实验表明该算法能够实现非线性系统的辨识,并且可获得相对高的精度.     

基于支持向量机和粒子群算法的励磁系统频域辨识

针对励磁系统参数实测及建模问题,提出了采用支持向量机和粒子群算法进行励磁系统参数频域辨识的方法.先用支持向量机方法来提取特征样本,然后采用粒子群算法和这些少量的特征样本对励磁系统进行参数辨识.用支持向量机筛选出的特征样本一方面可以减少粒子群算法的计算时间,另一方面还可以提高模型的辨识精度.实际算例表明粒子群算法用于频域辨识时实现过程简单,对简单模型和复杂模型都可以得到较好的辨识效果.     

甘油间歇生物歧化非线性系统的参数辨识

研究了甘油间歇生物歧化非线性系统的参数辨识问题.针对甘油间歇生物歧化过程的非线性常微分方程系统,首先给出了以代谢物浓度误差与斜率误差之和为优化目标、以甘油间歇生物歧化过程的非线性常微分方程系统为约束的参数辨识动态优化问题;然后基于改进的欧拉法将动态优化问题中的常微分方程组近似表示为代数方程组,从而可将原动态优化问题转化为非线性规划问题;最后利用粒子群算法求解得到的非线性规划问题.与已有文献相比,本文获得了更好的参数辨识结果,为构建甘油间歇生物歧化过程的非线性系统提供理论指导.     

含过程噪声Wiener系统的递推两阶段参数估计

Wiener系统属模块化非线性系统,由一个线性动态模块串联一个非线性静态模块组成,因其结构简单、实用性强,在非线性系统建模中得到广泛应用.最小二乘算法估计过程噪声扰动的Wiener系统时会带有偏估计.为了获得无偏估计,本文提出了一种递推两阶段参数估计算法.首先用FIR函数和多项式函数分别逼近系统的动态传递函数和静态反函数,随后运用递推最小二乘算法和递推辅助变量算法进行参数估计,其中的辅助变量由第一阶段的辨识结果计算得到.研究结果表明,提出的递推两阶段参数估计算法可以得到待辨识Wiener系统的无偏估计,数值仿真验证了该算法的有效性.     

粒子群算法在神经网络非线性函数拟合中的应用

针对传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点,设计了基于标准粒子群算法（SPSO）的神经网络非线性函数拟合系统。将神经网络中的权值看作一个粒子,通过粒子之间的竞争与合作以完成网络的学习过程。仿真结果表明,基于SPSO的神经网络学习算法在收敛速度、辨识精度等方面要优于传统的BP神经网络。     

基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

非线性BP算法在系统辨识中的应用

研究利用非线性ＢＰ算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性ＢＰ算法的系统辨识计算步骤,通过仿真计算表明,基于非线性ＢＰ算法的系统辨识至少可以获得与常规ＢＰ算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。     

基于神经网络的切换非线性系统辨识

提出了一种基于神经网络的多个Hammerstein-Wiener模型构成切换非线性系统的在线辨识方法.首先,通过误差逆传播(back propagation,BP)神经网络建立切换非线性系统的切换规律预测模型;其次,提出折息递推辨识算法对各个非线性子系统的参数进行辨识.利用关键项分离法对乘积项进行分离,得到各个子系统的参数估计值.最后通过切换非线性系统辨识实例,并与其他方法进行比较,验证了所提方法的有效性.结果 表明:提出的方法在辨识切换非线性系统方面具有更高的准确率和可靠性.