一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

一类复杂系统的集成辨识方法

针对一类具有相互关联非线性子系统的复杂系统,提出了一种稳态辨识与动态辨识相结合的集成辨识方法。利用稳态信息获取各子系统稳态模型（非线性增益）的强一致性估计,通过动态辨识得到各子系统线性部分的模型参数。仿真结果表明了该方法的有效性和实用性。     

双线性Hammerstein模型的集成辨识方法

提出了辨识双线性Ｈａｍｍｅｒｓｔｅｉｎ模型的稳态与动态辨相结合的集成辨识方法。该方法利用稳态信息获取稳态模型的强一致性估计,并利用稳态模型通过神经网络逼近获得了静态非线性增益的设计,再利用动态信息辨识获取双线性Ｈａｍｍｅｒｓｔｅｉｎ模型的双线性系统未知系统的一致性估计。仿真结果表明了该方法的有效性和实用性。     

Wiener模型的集成辨识方法

对一类石油化工生产过程中的Ｗｉｅｎｅｒ模型辨识问题,提出了一种稳态与动态相结合的集成辨识方法．利用稳态信息获取稳态模型的强一致性估计,通过神经网络逼近得到非线性增益的逆函数．然后利用系统的动态信息辨识Ｗｉｅｎｅｒ模型的线性系统的参数,并得到一致性估计．仿真结果表明了该方法的有效性和实用性．     

Wiener模型的集成辨识方法

对一类石油化工生产过程中的Ｗｉｎｅｒ模型辨识问题,提出了一种稳态与动态相的集成辨识方法,利用稳态信息获得稳态模型的强一致性估计估计,通过神经逼近得到非线性增益的逆函数。     

Hammerstein模型的稳态辨识方法——MIMO情形

本文针对用Hammerstein模型描述的一类MIMO非线性系统 ,提出了一种稳态参数估计的辨识方法。此方法具有在稳态状态下取值 ,参数辨识简单、精确等优点。数字仿真结果说明了该方法的有效性和实用性。     

基于CMAC神经网络的工业过程稳态优化

提出一种利用CMAC (cerebellar model articulation controller)神经网络进行工业过程的辨识和稳态优化方法.利用CMAC神经网络的优点,基于系统的动态信息,在不干扰系统正常运行的情况下获得当前时刻下系统的稳态模型,并在此模型的基础上,对系统进行稳态优化和仿真.仿真结果证明了该方法的有效性.     

基于子空间方法的车辆稳态操纵性模型辨识

基于子空间辨识方法,对稳态操纵工况下的车辆动力学模型进行辨识.根据子空间算法的假设条件,构建了3自由度车辆模型,并进行系统的可辨识性论证,确定了相应的辨识模型结构.采用方向盘角阶跃输入转向回正性能试验数据进行车辆模型的辨识.辨识模型的验证采用相同车速下的实车蛇形试验数据,分别在时域和频域进行辨识和试验对比.结果显示,两者基本吻合,子空间算法能够很好地适用于线性车辆操纵动力学模型的辨识.     

工业过程稳态优化新方法—改进两步法

本文针对具有Hammerstein模型的非线性控制系统,提出了一种确定次优稳态工况的实用新方法—改进两步法.该方法利用动态与稳态数据辨识和更新稳态模型,因而得到的解更近于实际最优解.针对线性二次型优化问题,本文还给出了改进两步法的收敛性证明,最终数字仿真结果显示了该方法的有效性.     

模型结构分析方法在多变量预测控制中的应用

为了解决因在模型辨识阶段产生辨识误差而可能引起的稳态增益模型出现线性相关度增高的问题,研究了模型结构临界不稳定现象与多变量预测控制系统性能间的关系.首先,利用奇异值分解(SVD)和相对增益矩阵(RGA)等工具分析了稳态模型的线性相关度,从而给出了模型结构临界不稳定的判定方法.其次,给出了由建模误差引起的模型结构临界不稳...