广义系统的H2及H∞次优模型降阶

讨论广义系统的H2及H模型降阶问题。首先建立了误差系统,从而将H2及H模型降阶问题转化为使误差系统的传递函数的H2及H范数是有限的,并给出了其有限的充要条件。然后对单输入的情况,给出了一种切实有效的降阶算法,且保持了原系统的脉冲性或非因果性。该算法的优点是不需对原系统进 行分解,且得到的降阶系统阶数最低,计算量亦较小。数值仿真进一步说明了该算法的有效性。     

契比雪夫多项式降阶方法及在数字滤波器设计中的应用

本文利用契比雪夫多项式的特性，提出了一种误差很小的降低几阶多项式阶数的一种可行方法。并给出了在数字滤波器的设计中用此技术获得的可靠结果。     

广义系统的H2及H∞次优模型降阶

讨论广义系统的H     

基于内平衡变换和Riccati方程的模型降阶及应用

对于一个高阶的控制系统,为了实现对其适时控制,需要一个降阶模型与之对应,对此低阶模型设计控制器以达到对原系统控制的目的。首先,在内平衡变换的基础上,确定降阶模型的阶数;其次,通过解一个Riccati方程得到一个变换矩阵,进而得到降阶以后的模型;然后,介绍了两种经典的模型降阶方法,以作为与此方法的比较。最后,对两个实例进行了仿真计算。计算表明,此方法是有效和可行的。     

广义线性模型的贝叶斯分析及稳健参数设计应用

讨论了非正态响应稳健参数设计中应用最为广泛的广义线性模型.针对广义线性模型在稳健参数设计中普遍存在的估计性问题,对广义线性模型的参数采用相对客观的Jeffreys先验分布,运用基于ARMS抽样算法的MCMC方法动态模拟出各参数后验分布的马尔科夫链,并给出了广义线性模型参数的估计值和显著性因子.根据实际工业试验数据,利用SAS软件对广义线性模型进行了贝叶斯分析,结果表明贝叶斯广义线性模型在参数估计的稳健性和显著性因子识别方面比一般的广义线性模型更加可靠和有效.     

基于框图的分数阶非线性系统仿真方法及应用

针对在实际情况中应用越来越广泛的分数阶微积分系统,提出了分数阶微积分方程的框图求解法。通过Simulink搭建仿真框图,可以直接求出分数阶非线性微积分方程的数值解析解。该方法最大的优点是能够解决由一般的分数阶微积分知识所不能或是很难求解的复杂分数阶微积分问题,对于分数阶的线性微积分方程也完全适用。用仿真实例进一步演示了该方法的简洁、有效,可以解决任意的分数阶微积分方程的求解问题。     

估计Verhulst 模型中参数的线性规划方法及应用

估计灰色Verhulst模型中的参数通常采用最小二乘准则,而在模型精度检验时又经常采用平均相对误差.本文主要在平均相对误差达到最小准则或最大相对误差达到最小准则下,阐明了Verhulst模型中参数估计问题可转化为线性规划问题,可以利用线性规划方法估计Verhulst模型中的参数.实际应用表明本文的方法是可行的且有效的,比传统方法预测精度高.     

最小二乘支持向量机的参数优选方法及应用

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便,通过建立适当的性能指标,用遗传算法优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测并与其它方法的预测结果比较,结果证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

生物种群Logistic扩展模型灰色增量生成参数辨识方法及应用

提出 Logistic扩展模型 LM(n,1 )的一般形式 ,将内禀增长率 r扩展为具有复合振动特征的时变参数项 ,相应参数的生物、生态学意义明确 .基于灰色 GM (n,1 )微分动态建模原理 ,按离散数据序列特点 ,探索出灰色高阶增量动态 GMS(n,1 )建模原理与方法 ,为 LM (n,1 )模型及若干生长曲线模拟提供了有效、规范的参数辨识方法 .GMS(n,1 )模型的信息包容量丰富 ,适用范围广 .实际模拟结果表明精度极高     

基于k-近邻互信息的前向式变量选择方法及在水质参数软测量中的应用

软测量技术通过构造易测量的辅助变量与难测量的主导变量间的数学模型,实现对难测变量的实时预测.为有效分析辅助变量间的相关性和冗余性并实现变量精选,本文提出了一种基于k-近邻互信息的前向式变量选择方法.该方法以变量前向累加互信息值最大化为准则选择相关变量,同时计算每次累加变量与已选择变量子集间的互信息值来判断所累加变量是否为冗余变量,通过设定冗余互信息阈值,实现冗余变量的剔除,得到最优辅助输入变量子集.基于数值案例仿真结果验证了本文所提变量选择方法的可行性与有效性,在准确选取辅助变量的同时降低了算法复杂度.最后,该方法成功应用于污水处理过程中出水生化需氧量(biochemical oxygen demand,BOD)预测模型的输入变量选择上,利用精选出的辅助变量有效提高了模型预测精度.     

基于k-近邻互信息的前向式变量选择方法及在水质参数软测量中的应用

软测量技术通过构造易测量的辅助变量与难测量的主导变量间的数学模型,实现对难测变量的实时预测.为有效分析辅助变量间的相关性和冗余性并实现变量精选,本文提出了一种基于k-近邻互信息的前向式变量选择方法.该方法以变量前向累加互信息值最大化为准则选择相关变量,同时计算每次累加变量与已选择变量子集间的互信息值来判断所累加变量是否为冗余变量,通过设定冗余互信息阈值,实现冗余变量的剔除,得到最优辅助输入变量子集.基于数值案例仿真结果验证了本文所提变量选择方法的可行性与有效性,在准确选取辅助变量的同时降低了算法复杂度.最后,该方法成功应用于污水处理过程中出水生化需氧量(biochemical oxygen demand,BOD)预测模型的输入变量选择上,利用精选出的辅助变量有效提高了模型预测精度.