基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

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。     

时变系统辨识方法及其收敛定理

介绍了用于辨识方法性能研究的鞅收敛定理和鞅超收敛定理,阐述了其应用范围;讨论了研究辨识算法收敛性的各种激励条件;综述了时变随机系统的各种辨识方法,包括最小二乘类辨识方法(如遗忘因子最小二乘算法、卡尔曼滤波算法、有限数据窗最小二乘算法等)和随机梯度类辨识方法(如遗忘梯度算法、广义投影算法等);同时阐述了时变参数系统辨识领域的一些值得深入研究的课题;最后给出了遗忘梯度算法在不同条件下参数估计误差上界的几个定理,说明数据的平稳性可以改善参数估计精度.     

基于梯度的扰动时变系统辨识算法及其收敛性

根据工程背景,提炼出了一类时变系统(亦称为广义时变系统或扰动时变系统)的数学描述模型．扰动时变系统是指参数随系统可测扰动量变化的一类时变系统．利用梯度搜索原理,提出了这类时变系统的投影算法、随机梯度和遗忘梯度辨识方法,并应用鞅超收敛定理分析了算法的收敛性．由于提出的随机梯度算法同时还利用了系统扰动量所含的信息,因而可以给出时变参数的一致估计．数字仿真验证了提出方法的有效性．     

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     

利用改进的推广卡尔曼滤波方法的线性时变系统参数的辨识

本文根据T.yashimura等提出的一种对线性定常系统参数辨识的改进的推广卡尔曼滤波算法,把此法推广到线性时变系统的辨识中,使用的模型属于第一类时变系统。文中推导了算法,作了计算实例,证明效果是良好的。此外,此种算法稍作改进也可辨识第二种类型的时变系统,并用实例作了验证,证明也是可行的。     

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。     

具有时变延迟特性的航空发动机控制方法研究

随着环境条件和工作状态的变化,航空发动机的参数将发生很大的变化,且由于燃烧延迟的存在,其还存在着时变延迟特性。而Smith控制算法通常用于定常延迟系统的控制,当被控对象参数未知且时变时,Smith控制算法就不能完全补偿时变参数对系统特性造成的影响,从而很难获得令人满意的控制效果。本文利用最速下降法和自动调整遗忘因子的最小二乘法分别在线辨识某型航空涡轴发动机的延迟时间和动态参数,并将辨识得到的参数用于Smith控制器的自适应实时调整,实现了航空涡轴发动机的实时闭环控制。仿真结果表明,该算法能够快速准确地辨识出系统参数,具有良好的跟踪性能。把该算法应用于时变延迟系统控制时,明显改善了涡轴发动机控制系统的稳定性和鲁棒性。     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.     

广义时变系统的最小二乘辨识方法

根据工程背景 ,提出了广义时变参数系统的概念。广义时变系统是指参数随系统可测扰动量变化的一类时变系统 ,即参数是系统可测扰动量函数的时变系统 ,提炼出这类时变系统的数学描述模型。根据最优化技术 ,导出了这类模型的两种辨识方法 ,即最小二乘型算法和随机梯度型算法 ,并应用鞅超收敛定理分析了算法的收敛性。分析表明 :由于该方法同时还利用了系统扰动量所含的信息 ,因而可以给出时变参数的一致估计。数字仿真验证了提出方法用于估计广义时变系统的参数是有效的。     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合 ,提出了时变时滞系统自适应内模控制算法 .理论分析及仿真结果表明 ,该算法能克服时滞及参数的变化 ,具有鲁棒性好、抗干扰能力强的特点     

时变系统的最优设计变量

考虑时变系统辨识中辨识设计变量的最优化问题。时变系统的参数由随机游动过程描述,讨论时变系统的FIR模型传递函数估计的均方误差(MSE),记作MSE,在新的准则函数极小的意义下,给出某一频率区间上时变系统辨识的设计变量。     

用于非线性时变系统噪声统计Q、R阵估计的新方法

提出了一种估计非线性时变系统过程噪声协方差阵Q和观测噪声协方差阵R的新方法.扩展卡尔曼算法结合前馈神经网络的非线性时变系统辨识过程中,噪声统计Q、R阵的估计是影响系统建模和预测精度的关键因素之一.本文所提出的估计噪声统计Q、R阵方法是基于协方差匹配技术,将M ehra估计定常系统噪声统计的方法推广到一般的非线性时变系统.仿真结果显示了本文方法的有效性.     

时变纯延迟发动机模型的参数辨识及控制方法

航空发动机随着环境条件和工作状态的变化,其特性参数将发生很大的变化,且由于燃烧延迟等因素的存在,航空发动机可以被看作是带有一定程度的纯延迟的时变系统。而针对带有纯延迟特性的控制算法———Smith控制器,通常用于定常纯延迟系统的控制。当被控系统参数未知且时变时,Smith控制算法就不能完全补偿时变参数对系统特性所造成的影响,从而很难获得令人满意的控制效果。利用最速下降法和自动调整遗忘因子的最小二乘参数估计修正算法,分别在线辨识某涡轴发动机的延迟时间和动态模型参数,并将辨识获得的参数用于Smith控制器的自适应实时调整,进行控制算法的设计,实现涡轴发动机的实时闭环控制。仿真结果表明,该算法能够快速准确地辨识出系统参数,具有良好的跟踪性能。把该算法应用于纯延迟系统的闭环控制时,大大改善了Smith控制器的抗干扰能力,明显改善了涡轴发动机控制系统的稳定性和鲁棒性。     

时变多变量系统阶次和参数的同时辨识

通过引进时变遗忘因子，该文提出了一种时变多变量系统的结构和参数的同时辨识算法，该算法结构简单，跟踪参数变化速度快，同时又兼备ＵＤ分解的良好计算品质。     

基于最优结构多维泰勒网的含噪声非线性时变系统辨识

针对具有噪声干扰的非线性时变系统建模时存在的困难,建立了一种具有最优结构和最佳泛化能力的多维泰勒网模型,以实现对该系统的辨识.首先,为了能够快速反映系统输入/输出的变化,以多维泰勒网的连接权系数作为时变参数,并由带可变遗忘因子的递推最小二乘算法对其进行训练,进而讨论了辨识方案的稳定性.然后,为了避免维数灾难并满足实时性要求,给出了选择多维泰勒网有效回归项的改进权衰减法,以使多维泰勒网同时具有最小结构和最佳的泛化能力.最后,通过算例说明基于最优结构的多维泰勒网在含噪声非线性时变系统辨识问题中应用的方法,算例结果验证了该方法的有效性.     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合,提出了时 滞系统自适应内模控制算法,理论分析及仿真结果表明,该算法能克服时滞及参数的变化,具有鲁棒性好,抗干扰能力的特点。     

一种新的时变时滞系统控制方法

把一种新的能在线估计时变时滞系统参数的辨识算法与内模控制相结合,提出了时变时滞系统自适应内模控制算法．理论分析及仿真结果表明,该方法能够克服时滞及参数的变化,具有鲁棒性好、抗干扰能力强等特点,优于Ｓｍ ｉｔｈ 预估控制器．     

线性时变参数识别与非线性因素估计

本文讨论了利用非线性时不变振动系统的响应，根据线性模型识别出的线性参数的时变性质判断非线性项的存在、估计系统非线性因素的问题．大量的算例表明，据此判断非线性项的存在是可行的．文中还分析了利用具有非线性项的时变系统的响应，根据线性系统模型识别线性时变参数的问题．模拟计算表明，利用非线性系统的响应籍助线性模型，可以在相当大的范围内较好的识别出系统的线性时变参数。     

谐波级数表示与周期时变参数模型间关系

非线性动态系统的建模一直是控制领域的重要问题之一.针对这一问题,特别是包含滞后环节的非线性系统建模问题,提出了一种引入自适应延迟的动态BP(back propagation)学习算法.该算法在传统多层感知机神经网络结构基础上,在网络的第1隐层和输出层分别引入可调节的自适应延迟参数,通过误差梯度对其进行修正,实现了对延迟参数的辨识.仿真结果表明,所提出的方法能够有效实现对非线性滞后系统的辨识,并能够对系统的延迟时间进行准确估计.