线性粘弹性弹支多转子系统参数辨识

提出了带线性粘弹性弹性支承的多转子系统物理参数辨识的一种方法。该方法把多转子系统看作复合结构,用动态子结构分析的阻抗匹配法进行动力学计算,用增广拉格朗日乘子法对系统特征方程的系数行列式作迭代计算,获得系统物理参数的辨识结果。该方法可以准确计入陀螺力矩的影响;避免测量振型参数;并利用系统的稀疏模态和小阻尼等特点简化了分析;还介绍了一种建立线性粘弹性弹支多转子系统动力学模型的方法。计算结果与实验结果吻合良好     

时变系统的多模型参数辨识研究

本文利用变点统计学的思想,讨论离散动态时变系统的多模型参数辨识问题,并给出了基于黄金分割优化思想的最小二乘多模型参数辨识算法以及计算机仿真结果。仿真结果显示出本文所提出的算法对多模型参数以及变点的良好估计特性。     

多变量系统的辅助模型辨识算法

提出了辨识线性多变量系统参数的辅助模型方法。它使得系统存在量测噪声的无偏参数估计问题得到解决。文中分析了算法的收敛性，并给出了仿真例子。     

多输入多输出非线性系统Volterra频域核的非参数辨识方法

为解决多输入多输出(MIMO)非线性系统Volterra频域核辨识困难的问题,提出了一种MIMO非线性系统Volterra频域核的非参数辨识方法.该方法先对待辨识的MIMO非线性系统的各输入端添加不同频率成分的单音激励信号,再对系统的输出端信号进行采样并使用Vandermonde法使各阶核输出分离,然后根据单音激励下MIMO非线性系统Volterra核的频域输出特性,推导出该类系统Volterra频域核的辨识公式.由于采用了多音信号激励MIMO非线性系统,实现了一次激励下多点辨识的目的,因此提高了辨识效率.该方法仅依赖于系统的输入输出数据,具有较强的实用性.采用该方法对一个双输入双输出的非线性系统Volterra频域核进行辨识,最大偏差小于10-5,验证了该方法的有效性.     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。     

基于加速收敛与递阶迭代的多变量系统辨识算法

根据递阶辨识原理和迭代辨识原理,可以实现多变量系统参数的准确辨识,但是其参数的收敛速度有待提高。该文针对参数的收敛性进行研究,提出了基于加速收敛技术的辨识方法。该方法根据递阶辨识原理将多变量系统分解成2个子系统,使其分别含有参数向量和参数矩阵,再根据迭代辨识原理得到参数的迭代解,并应用加速收敛技术进行加速。仿真实验表明:该方法可以得到很好的辨识结果,加速收敛技术的应用显著提高了参数的收敛速度。     

约束线性二次优化控制的多参数规划求解

针对求解约束线性二次优化控制问题,结合动态规划和控制时域长度为1的单步多参数二次规划,提出一种新的多参数规划方法。该方法一方面能够快速求解得到约束线性二次优化控制问题最优解与状态之间的显式函数关系,减少多参数规划问题求解的工作量;另一方面,能够同时求解得到显式分段线性状态反馈最优控制律。应用高频机械振动系统数值仿真例子,对该文的方法进行了数值仿真计算。仿真结果表明该文提出的方法是有效的。     

多变量系统子子模型辨识

目前,对多变量系统辨识的研究已经越来越多,但是,基本上都属于子模型的辨识问题,不便于实际应用.本文采用子模型与子子模型技术,将一个有R个输入,m个输出的多变量系统分解为M个带R个输入的子模型,而每个子模型又可分解为R个子子模型(单输入单输出系统).在多变量系统中,只要做一次试验(同时加入月个输入信号),使用月个输入信号与M个输出信号的数据,可以自动辨识子模型的阶次与参数,再从子模型的有关数据,最终辨识出子子模型的阶次与参数.本文采用分块矩阵求逆公式,提出一种快速的自动定阶与估计参数的递推算法.     

基于动态分离的Hammerstein模型辨识法

 通过对工业大系统输入信号的设计,使Hammerstein模型输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉。利用分散辨识得到系统的线性动态模型。基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了工业大系统中Hammerstein模型辨识的动态分离方法。仿真结果表明此方法的有效性。     

Hammerstein模型非线性环节折线表示辨识方法研究

以单输入单输出非线性系统Ｈａｍｍｅｒｓｔｅｉｎ模型为对象，研究了一种基于非缄性环节折线近似表示的辨识方法，该法对三位式伪随机序列的构造辨识激励信号，可辨识出非线性静态环节参数和线性动态环节参数的一致估计值。     

神经网络在线性系统辨识中的应用

本文把具有线性处理单元的神经网络应用于线性时不变动态系统辨识;讨论了用多层前向网络和回归网络分别对线性时不变动态MIMO系统的输入输出模型和状态空间模型进行辨识的方法;提出了用线性系统粗糙模型的先验知识对神经网络权进行初始化的方法.仿真实验表明所提出的初始化方法比随机初始化法的学习有更快的收敛速度.     

基于动态优化的多模型广义预测控制器设计

针对工业控制过程中广泛存在系统参数突变的问题,将多模型切换的广义预测控制器引至动态优化策略下的分层式控制系统中,设计了基于动态优化的多模型广义预测控制器.该模型预测控制结构以获取最大经济效益为目标,上层结构对经济目标函数进行动态优化,得到使经济利益最大的关键变量设定值;下层结构中MPC层采用多模型广义预测控制器代替传统单模型广义预测控制器追踪上层得到的设定值,即采用多个固定模型和自适应模型并行辨识系统的动态特性,提高系统暂态性能和模型参数跳变时系统的调节能力;底层为PID控制器用于抑制过程中的扰动.通过仿真验证了该方法的可行性和有效性.     

基于多层递阶法的伤亡事故预测

运用现代控制理论中的系统辨识方法而给出了多层递阶法的伤亡事故预测系统的动态模型、基本原理，提出运用多层递阶方法对伤亡事故进行预测，通过对某飞机制造公司伤亡事故的实例分析表明，与固定参数预测模型相比较，基于多层递阶的预测过程可以充分利用长时间统计数据，并能减小预测误差，提高预测精度。     

线性多变量随机系统结构参数的递推算法

一、前言系统结构参数的确定在系统辨识理论中占有重要地位。对于线性多变量系统,辨识的第一步就是确定系统的结构参数。其后,再进行参数辨识。我们认为,一个满意的结构参数的辨识算法应该同时满足如下几个要求:     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

一个描述多变量线性随机系统的典范差分方程

本文提出了一个描述多变量线性随机系统的典范差分方程.这种方程极适合于作为动态系统参数估计和某些控制问题的数学模型,因为这种模型所需辨识的参数数目最少.文中还展示了多变量典范差分方程与多变量扩展状态方程之间的对应关系.     

一类复杂系统的集成辨识方法

针对一类具有相互关联非线性子系统的复杂系统,提出了一种稳态辨识与动态辨识相结合的集成辨识方法。利用稳态信息获取各子系统稳态模型（非线性增益）的强一致性估计,通过动态辨识得到各子系统线性部分的模型参数。仿真结果表明了该方法的有效性和实用性。     

多变量ARX-like系统的递阶最小二乘估计

利用Kronecker积,推导出多变量ARX-like随机系统的辨识模型,使用递阶辨识原理研制了一个递阶最小二乘参数估计算法.提出的递阶最小二乘算法比现存递推最小二乘算法计算量小.给出了为仿真例子.     

基于子空间方法的非均匀多采样率系统辨识

针对非均匀多采样率系统的建模问题,根据因果关系,建立了非均匀多采样率系统的状态空间模型.对于含有提升变量的状态空间模型,提出基于子空间技术的辨识方法.首先,由系统的输入输出数据建立由Hankel矩阵组成的扩展状态空间方程;其次,利用斜交投影的原理,以及奇异值分解,通过子空间辨识算法确定增广观测矩阵和状态向量;最后,通过最小二乘方法确定模型的参数矩阵.该方法简单有效且对初值具有鲁棒性.仿真实例验证了方法的有效性.