基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

一类非线性系统的模糊建模与仿真

将模糊推理建模法应用于一阶非线性系统，推导出基于该方法建模后得到的数学模型，即变系数线性微分方程。首先根据模糊逻辑系统的插值机理将被控对象的模糊推理规则库归结为某种线性插值函数，然后将这些插值函数转化为变系数线性微分方程，从而得到控制系统的数后将这些插值函数转化为变系数线性微分方程，从而得到控制系统的数学模型。仿真结果表明，用模糊推理建模法得到的模型关于真实模型具有较高的逼近精度。     

非线性系统的模糊辨识在线算法

在以往的模糊辨识方法中,均未给出在线调整非线性系统的模糊辨识算法。基于递推模糊聚类方法,提出了一种在线调节模糊模型的辨识算法。为了验证所提出方法的有效性,对几个非线性系统进行了辨识,最后给出了辨识结果。     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰,研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法,利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离,推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数,有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比,提出的方法具有参数估计收敛速度快,辨识精度高,建模误差小等优势,验证了所提学习算法的有效性。     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

基于粒子群优化的时变系统辨识

提出了一种基于粒子群优化的时变系统辨识方法。其基本思想是将时变系统的辨识问题转化为非线性连续函数的在线优化问题 ,然后利用粒子群优化获得系统参数的最优估计。仿真结果显示 ,该方法对于时变参数具有很强的跟踪能力 ,与采用遗传算法的系统辨识方法相比 ,有实现简单、运算量小等特点。     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

一种T-S模糊系统建模方法

T-S模糊系统被广泛应用于基于数据的建模应用中。模糊规则作为系统的核心,是影响系统性能的重要因素。在分析常见模糊系统建模方法的基础上,提出一种简单有效的建模方法。该算法基于变结构模糊建模思想,均匀选择模型的初始结构,以绝对误差为建模指标,通过增加模糊规则来提高T-S模糊系统的精度。为降低规则参数辨识的计算量,提高建模速度,将规则参数分为线性和非线性两部分,分别采用不同方法进行辨识。实例证明文中所提出的建模方法规则分布合理,收敛速度快,建模精度高,具有很好的实际应用价值。     

基于RBF神经网络的柔性机构动态响应辨识模型

通过神经网络技术对柔性机构复杂的非线性动态响应进行辨识,建立了柔性机构运动参数的辨识模型。利用径向基函数(radial basis function,RBF)神经网络优异的非线性逼近能力,建立了柔性机构动态响应的辨识模型。将机构的驱动力矩、阻尼力矩和非线性运动参数分别作为RBF神经网络的输入样本和期望输出样本。建立了RBF神经网络的拓扑结构,利用样本数据对其进行训练。通过空间站柔性展开机构模型进行动态响应的辨识,结果表明辨识的收敛速度快,精度高。该方法为复杂大系统的建模和分析提供了一种理想的途径。     

基于T-S模糊模型的模型参考自适应逆控制

针对非线性系统,提出一种基于T-S模糊模型的模型参考自适应逆扰动消除控制方法。所提方法根据模糊辨识理论与模型参考自适应逆控制各自的特点,将两者相结合。首先,根据模糊系统理论,分别采用模糊对角线划分和递推最小二乘算法进行前提和结论参数辨识,离线辨识得到对象模糊模型和逆对象模糊模型。将辨识出的对象逆设为原始控制器,与被控对象串联;为了分离出系统扰动信号,将辨识出的对象模型与被控对象并联,通过被控系统与对象模型输出做比较,再通过逆对象模型反馈到系统输入端,组成扰动消除环节。用最小均方差算法在系统运行过程中在线调节逆对象模糊模型参数,使其输出误差最小。最后,使用所提方法对一混合非线性系统及输入/输出非线性系统进行仿真试验,仿真结果验证了所提方法的有效性。     

基于聚类分析的C4ISR系统服务关键要素自动提取方法

从业务模型中发现和识别业务层服务是面向服务架构系统设计的关键活动。为面向服务架构设计,提出了一种基于聚类分析的自动化服务提取方法。该方法将服务提取问题转换为多目标优化求解的问题,以C/U矩阵业务模型为基础,综合考虑服务设计中耦合度、内聚度、重用性、可维护性等原则,构建优化设计的目标函数,并提出模拟退火的求解方法。最后通过案例进行验证。     

自适应遗传算法的改进及在系统辨识中应用研究

为解决传统遗传算法早熟及收敛速度慢的问题，提出了一种改进的自适应遗传算法。通过对一典型的大海捞针粪（NiH）问题的试验，证明了改进后的遗传算法在全局优化和快速收敛能力上有较大的提高。在此基础上将该算法应用于系统参数辨识中，辨识结果表明该方法具有参数辨识精度高，抗噪声能力走，对输入信号通用性强，也适用于非线性系统参数辫识的优点，具有重要的工程使用价值。     

IDENTIFICATION OF TIME-VARIANT CONTINUOUS SYSTEM BY A QUASI-NEWTON METHOD

1 IntroductionThis paper presents a quasi-Newton method in infinite-dimensional spaces for identifyingparameters involved in a time-variant continuous, nonlinear system of differential equations.It is well known that quasi-Newton methods are considered to be those of the most success-ful algorithms used for numerically solving optimization problems in finite-dimensional spaces.But, few papers discuss these methods in system identification research. Because many iden-tification problems can be…     

非线性多智能体系统分布式鲁棒输出调节

为解决具有一般非线性形式和不确定参数的多智能体系统的协调控制问题,设计了非线性分布式反馈控制器,使得多智能体系统鲁棒渐近跟踪参考信号或者鲁棒渐近抑制干扰。在所考虑的多智能体系统中,将动态领导者或者环境干扰看作是产生参考信号或者干扰信号的外部系统。最后,给出一个仿真算例,验证所得结果的有效性。     

Parameter estimation for dual-rate sampled Hammerstein systems with dead-zone nonlinearity

The identification of nonlinear systems with multiple sampled rates is a difficult task.The motivation of our paper is to study the parameter estimation problem of Hammerstein systems with dead-zone characteristics by using the dual-rate sampled data.Firstly,the auxiliary model identification principle is used to estimate the unmeasurable variables,and the recursive estimation algorithm is proposed to identify the parameters of the static nonlinear model with the dead-zone function and the parameters of the dynamic linear system model.Then,the convergence of the proposed identification algorithm is analyzed by using the martingale convergence theorem.It is proved theoretically that the estimated parameters can converge to the real values under the condition of continuous excitation.Finally,the validity of the proposed algorithm is proved by the identification of the dual-rate sampled nonlinear systems.     

基于气动特性辨识的折叠翼飞行器可重构控制系统设计

为解决折叠翼飞行器初段飞行中气动特性变化大且易受环境扰动影响、控制鲁棒性要求高的问题,将飞行器物理模型的实时辨识与非线性动态逆方法相结合,设计可重构飞行控制器。基于迭代扩展卡尔曼滤波与渐消记忆最小二乘,将气动特性辨识一步方法分解为状态量和参数值的两步辨识,算法更易于在线实现。通过实时辨识更新动态逆控制器参考模型,消除模型逆误差,实现可重构控制。针对某型折叠翼飞行器的6自由度仿真结果表明,在飞行器自身气动特性大幅变化且考虑外界未知扰动情况下,控制器满足设计要求,具有较强的鲁棒性。