非线性动态传感器系统 Hammerstein神经网络补偿法

针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。     

超磁致伸缩驱动微定位平台的动态特性研究

针对超磁致伸缩驱动器(Giant Magnetostrictive Actuator,简称 GMA)磁滞非线性和动态特性难以精确描述的问题,以基于GMA的二自由度精密微定位平台为对象,对其进行磁滞非线性和动力学建模并仿真分析。根据Jiles-Atherton磁滞模型、磁致伸缩模型、磁滞非线性圧磁方程和驱动器的结构动力学原理,建立了组合的微定位平台磁滞非线性动态模型;通过模型计算出输出位移的大小;另外对四种数学模型进行动态特性仿真分析。研究结果表明:仿真位移曲线与实验测得输出位移曲线基本一致,验证了所建模型的正确性;且优化了系统的设计参数,对改善GMA的动态性能和稳态输出性能提供了依据。     

腕力传感器动态非线性的研究

传感器的动态特性中存在非线性因素,这影响了传感器动态性能的改善。文章采用Hammerstein模型来描述其动态非线性,推导动态非线性的辨识算法,对传感器建模。在此基础上又提出了动态非线性补偿的方法,改进传感器的动态特性。仿真结果证明了辨识算法和补偿方法的正确性,其有效性在腕力传感器的实际应用中得到验证。     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

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。     

两类非线性动态模型的研究

文献[1]讨论了一类双随机动态模型,本文对带有折扣的双随机动态模型进行了研究,并且在具有损失值的情况下,给出了DLM的计算公式。另外,对另一类非线性动态模型,给出了它的预测分布。     

开关氧传感器的动态建模方法研究

在发动机实验台上,对废气氧(EGO)传感器进行了静、动态标定实验,并研究了EGO传感器在不同温度下的动态特性。根据不同方向和不同幅值激励下的传感器响应信号,建立了动态非线性Hammerstein模型;根据传感器延迟时间与温度的关系,得到了可通过温度校正延迟的Hammerstein模型。     

一个含扩散项的抗病毒药物治疗模型的动态分歧

本文利用非线性演化方程的动态分歧理论研究了一个Neumann边界条件下的含扩散项的抗病毒药物治疗模型的动态分歧及其实际意义.数值模拟表明,模型是有效的.     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。