滑动平均噪声干扰双输入多率系统最小二乘迭代辨识

研究了滑动平均噪声干扰的双输入多率系统最小二乘迭代辨识算法.首先推导出2个输入通道采样周期不相等的多率系统的离散时间状态空间模型,得出对应的传递函数模型.针对辨识模型信息向量中存在不可测噪声项的困难,利用最小二乘迭代原理,将未知噪声变量用其迭代估计值来代替,提出了这类双输入多率采样数据系统的最小二乘迭代辨识算法.最后通过仿真例子比较了最小二乘迭代辨识算法与递推增广最小二乘算法的辨识效果,说明了所提出算法的参数估计精度较高.     

时滞系统的频域子空间辨识算法

针对时滞多变量系统的辨识问题,提出了一种频域子空间算法,通过使用多项式对时滞项进行近似,可以用适当阶次的线性模型对时滞系统进行逼近,在时滞常数已知时,通过把时滞项析算到输入中,使用改进的频域辨识方法可以得到较为精确的结果,仿真研究表明,这种方法在适当选取的激励信号和采样频率下可以较好地逼近原始系统。     

输入非线性系统的多步长搜索梯度迭代算法

采用多步长搜索梯度迭代算法对输入非线性系统参数进行辨识.相对于传统梯度迭代算法,该方法无须计算矩阵特征值以确定步长取值范围,而是借助粒子群算法思想,在每次迭代过程中随机产生多个步长,通过比较每个步长对应的代价函数大小,找出所有步长中的最优值.运用该方法对具有丢失数据的非线性系统进行辨识,仿真结果表明,与传统梯度迭代算法相比,该算法的辨识精度较高、收敛速度较快.     

CAR模型的阶与时滞的强一致估计

研究随机线性反馈控制系统的结构辨识问题。在已知时滞的下界和模型阶的上界的假定下，通过使修改的Ｂａｙｅｓｉａｎ信息准则最小化，推导出由多输出多输出ＣＡＲ模型描述的系统的未知阶与时滞的估计算法，证明了算法是强一致收敛的，且能在有限步内达到其模型结构参数的真值。讨论了当模型的参数矩阵不满秩时减弱条件Ｈ＇３的强一致估计算法。     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

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。     

非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．     

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.     

含饱和特性的双采样率数据Hammerstein系统辨识

针对含有饱和特性的双采样率数据Hammerstein系统提出了一种新的辨识方法。首先,将含有饱和特性的静态非线性环节和线性动态环节的串联,整理成一个非线性基函数和线性动态环节的串联。在此基础上,利用辅助模型辨识原理解决数据缺失、中间未知变量、被辨识参数之间存在耦合的问题, 通过递推辨识算法利用双率采样数据辨识单率Hammerstein模型中的参数。最后,以一个含饱和特性非线性系统实例的建模来验证提出辨识算法的有效性。     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

感应电能传输系统参数辨识与恒流控制

针对感应电能传输系统中激磁电流(谐振电流)的控制问题,本文提出一种基于参数动态辨识的恒流控制策略。该方法从能量分析的角度,建立了系统谐振回路中能量存储、供给与耗散函数,通过分别建立系统周期内与周期间的能量平衡关系,得到了系统反射阻抗的辨识函数。该方法提出了采用Buck变换器控制系统输入电压以实现谐振电流恒流的控制方案。基于系统输入电压与谐振电流峰值包络的函数关系,结合Buck变换器的输入输出函数关系,建立了系统的恒流控制律。通过实验验证了该控制方法的可行性。该方法的参数辨识环节仅需采样原边部分的谐振电流和电压过零采样数据,简化了系统的采样系统设计。而基于参数辨识的恒流控制律不需要复杂的算法计算,易于实现。     

分布式HDP领导-跟随者系统最优一致控制研究

为研究行为未知的非线性多智能体系统领导-跟随者最优一致控制问题,针对智能体动态方程未知的情况,设计神经网络辨识器学习智能体动力学行为;构造以多智能体系统局部误差为输入的性能指标函数,将多智能体系统领导-跟随者一致性问题转换为求解智能体局部性能指标函数最优值的优化控制问题;结合自适应动态规划思想设计分布式迭代算法求解该优化问题,并讨论了算法的收敛性;设计基于神经网络的评价-执行结构分布式控制器来近似局部性能指标函数,通过神经网络学习迭代寻找局部性能指标函数的最优解,实现多智能体系统的最优一致控制策略。设计的分布式控制器能够根据智能体状态数据自适应产生控制策略,使多智能体系统趋于一致。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

宏观交通流模型的自适应迭代学习辨识策略

城市路网交通流系统具有很强的随机性和时变性，单一固定的交通流模型难以准确地描述城市路网的实际运行情况，在考虑交通流稳态和动态特性的基础上，提出了一种含有未知时变多参数的非线性宏观交通流模型，并针对交通流固有的重复性特征，设计了一种时变多参数的自适应迭代学习辨识策略。在有限时间区间内，利用迭代学习辨识策略将参数辨识问题转化为最优跟踪控制问题，使交叉口各进口道的排队车辆数均趋于真实值，利用去伪算法的实时自适应能力调整迭代学习辨识策略的学习律增益，提高辨识策略的抗干扰能力。通过严格的数学理论推导证明了该算法的收敛性，最后采用基于模型的控制方法进行仿真实验，进一步验证了该方法的有效性。     

基于双率采样数据的动态调节系统辨识

对于双率采样数据的动态调节模型,利用多项式变换得到一个方程误差自回归滑动平均模型,使用估计的噪声项代替信息向量中的未知噪声,提出了辨识双率系统的广义增广随机梯度算法,以及广义增广遗忘梯度算法。仿真例子说明了提出算法的有效性。     

双输入多率输出误差系统最小二乘迭代辨识

以双输入多率采样系统为例,推导出双输入采样周期不等的多率输出误差系统的离散时间状态空间模型,进而得出对应的传递函数模型。论文提出了这类双输入多率采样数据系统的最小二乘迭代辨识算法,仿真例子说明了提出算法的有效性。     

一种新的系统盲反向辨识方法

基于系统输出信号过采样原理的系统反向辨识是一种新的盲辨识方法,这种方法不仅适用于最小相位系统,而且也适用于非最小相位系统。通过输出信号的过采样,可以获取未知输入信号和系统更多的信息。文中首先提出了这种解决盲辨识问题的算法,然后利用辨识出的系统模型恢复了源输入信号。这种方法在控制工程领域具有较高的实用价值。     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

非均匀采样Hammerstein系统的梯度迭代辨识算法

为了解决Hammerstein非线性系统在非均匀采样条件下的辨识问题,该文提出了1种能够用于在线参数估计的梯度迭代算法。通过引入时变后移算子,推导了非均匀采样Hammerstein系统的离散时间模型。采用关键项分离技术将系统参数化为1个线性回归模型。基于辅助模型辨识思想对未知中间变量进行重构,并利用负梯度搜索原理获得模型参数的迭代估计。仿真结果表明,该文方法是有效的,且比辅助模型随机梯度算法具有更快的收敛速度,参数估计精度提高近40倍。     

并条机牵伸装置动态数学模型辨识

为了研制新的自调匀整方案,必须得到牵伸装置的动态数学模型。本文以 DF-746型并条机为实例,在对牵伸装置进行辨识实验,取得输入、输出数据的基础上,运用适当的辨识算法,确定了模型的阶次及参数,得到了该装置的线性离散动态数学模型。