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.     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

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。     

借助修改拉盖尔多项式逼近带噪声模型的连续系统辨识

本文讨论具有连续相关性扰动的随机连续线性系统基于修改拉盖尔正文多项式逼近的参数辨识问题，采用的算法为多过是小二乘迭代辨识算法，其中的噪声干扰是用有限阶滤波器和维纳过程来表示的。文中考虑了辅助变量系统的设计问题，其中辅助变量是采用精致辅助变量定义方法定义的．最后给出的计算机仿真结果表明本文讨论的算法是有效的。     

非参数计量经济联立模型的局部线性工具变量估计

发展了一种非参数联立方程计量经济模型的估计方法。将非参数单方程计量经济模型的局部线性估计方法与传统联立方程计量经济模型的工具变量估计方法相结合 ,在随机设计下 ,提出了非参数联立方程计量经济模型的局部线性工具变量估计方法 ,并利用大数定律和中心极限定理等在内点处研究了该方法的大样本性质。结果表明 :该方法在内点处具有一致性和渐近正态性 ,其收敛速度达到了非参数模型估计的最优收敛速度     

格分片线性函数的辨识和优化

格分片线性模型由一个实数矩阵和一个 0 - 1矩阵所确定 ,能够表示任意维变量的全体连续分片线性函数 ,其实数矩阵完全由它的局部线性函数的参数向量所组成。这些特点为辨识分片线性函数和利用线性模型的分析方法解决分片线性模型描述的非线性问题提供了极大的便利。该文引入格分片线性模型解决非线性函数的辨识问题。给出了辨识格分片线性函数的实用算法。并对线性约束下的格分片线性函数优化问题提出了通过线性规划算法确定全局最优解的简单方法。这些工作表明 ,用格分片线性函数建模是解决非线性问题的一种有效途径     

采用LMS的Smith预估器参数在线辨识

基于LMS自适应预估理论,结合多层前馈神经网络,提出Smith预估网络模型,采用LMS算法,推导出单变量Smith预估器参数的在线辨识算法,并将单变量的在线辨识算法推广到多变量系统,提出多变量Smith预估网络模型和纯滞后时间τ及静态增益A的在线性辨识算法,对种模型、多种估失配的情况进行仿真实验,结果表明该算法具有良好的辨识有效性广泛的适应性。     

应用变量因果序分析的符号有向图建模方法

针对传统符号有向图(SDG)建模方法容易引入虚假因果关系的问题,利用因果序分析时系统各阶自含结构进行逐层分解,通过各阶变量完全子集迭代解析平衡结构变量的层级因果关系,以及典范式积分链的约简导出动态结构变量的层级因果关系,运用中间变量的衔接作用,结合变量系数辨识定性的因果影响效果,实现了平衡、动态及混合结构的线性系统SDG模型的构建.以串联存储系统为实例进行验证,结果表明该方法消除了以系统方程等式关系直接导出SDG模型引入的虚假因果关系,且辨识出多处潜在的因果关系,与传统的SDG建模方法相比,以该方法构建的SDG模型精度更高,而且完备性较好.     

基于多层前馈网络的计量经济模型敏感性分析方法

多层前馈网络计量经济模型可以描述复杂的非线性经济现象,在经济建模中的应用日益广泛。而经济敏感性分析是一种研究经济的有效方法,潜在函数关系的可微性是应用该方法的前提条件之一,其要点是用拟合函数的导数来近似潜在函数的导数。介绍了四种敏感性分析方法,给出了多层前馈网络计量经济模型正规化灵敏度的解析计算方法,并说明了对多层前馈网络计量经济模型进行敏感性分析是一种有效识别敏感因素的方法。     

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。     

带约束多项式权重LPV模型辨识算法

针对复杂工业非线性系统建模难度大、精度低等问题,基于多模型插值的变参数线性(LPV)模型辨识算法,提出双工作点变量条件下的带约束多项式权重函数结构及其参数寻优策略,以有效降低非线性系统辨识的难度并充分保证所建模型的全局稳定性.以高纯度分馏塔这一典型非线性工业过程为研究对象进行LPV模型建模与仿真,获得了较好的输出和阶跃响应曲线拟合结果,验证了LPV模型能够充分反映非线性系统的运行特性以及所提算法的有效性和实用性.     

线性多变量系统的辨识规范型及结构辨识算法

从线性多变量系统状态空间规范型导出了系统的新输入输出辨识规范型，该模型直接与系统的输入输出数据相联系，且待辨识的参数较少，与现在的Ｇｕｉｄｏｒｚｉ辨识模型相比，大大减少了各子系统输出间的重迭（ｏｖｅｒｌａｐｐｉｎｇ）数目。给出了确定其结构指标的算法。数值实例表明了算法的有效性。     

一种改进人工蜂群算法的 Wiener 模型分步辨识法

为解决非线性系统 Wiener 模型参数辨识问题,提出了一种基于改进人工蜂群算法（NLJ-artificial bee colony algorithm, NABC）的分步辨识方法。NABC 算法融合了人工蜂群算法的简洁性和随机搜索算法的高精度优势,有较快的收敛速度、较强的局部求精和全局搜索能力。通过对经典测试函数的寻优,验证了 NABC 算法较其他改进方法的优势。分步辨识法解决了 Wie-ner 模型辨识过程中容易造成的误差累积问题,实现其线性和非线性部分的独立辨识。通过 pH 中和反应过程建模仿真验证了分步辨识法的有效性。     

基于广义Hammerstein模型的多变量非线性预测控制

将单输入单输出的Ｈａｍｍｅｒｓｔｅｉｎ模型推广至多输入多输出系统,提出了广义Ｈａｍｍｅｒｓｔｅｉｎ模型,并给出了其辨识建模方法．进一步以此模型为基础,提出了一种多变量非线性预测控制算法．该算法利用了线性预测控制的成果,避免了通常非线性模型预测控制所需的在线数值寻优计算,大大节约了在线计算时间、提高了算法的可靠性和稳定性．     

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。     

基于一步迭代策略的非线性系统模型辨识

针对复杂非线性系统难以建模的特点,将系统的数学函数进行一阶泰勒级数展开,创新性地采用一步迭代算法对系统的线性部分进行辨识,并用严格的数学理论研究样本的选取对模型精度的影响,在此基础上采用BP网络辨识泰勒余项和噪声.然后,将所提出的算法应用于一类典型的间歇系统中,仿真结果表明提出的算法具有比较高的建模精度,为复杂系统的建模提供了一条新途径.     

基于现场数据热工对象建模的可辨识性

为克服现有机理建模和试验建模方法的不足,从基本建模理论出发,研究了利用现场数据对热工对象进行建模的问题。基于现场数据建模需要对热工过程输入信号的可激励性、控制系统闭环可辨识性、多变量系统输入信号的无关性等进行判断。结果表明:在较大的机组负荷波动过程中采集的运行数据能够满足输入信号的可激励性;热工过程的大滞后现象对保证热工控制系统的闭环可辨识性有利;含有噪声的实测信号能够保证多变量系统的可辨识性。在满足以上条件的情况下,可以基于现场数据对热工对象进行建模研究。     

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:     

多变量系统自校正调节器

本文讨论了一类多变量系统自校正调节器的最优控制律及控制器参数辨识中的有关问题,给出了类似于单变量系统最小方差控制律的一种算法,便于计算,并具有较为简洁的形式。用此算法计算了两个实例的最小方差控制律,并与计算机仿真果进行了比较。     

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.