固定翼飞机动力学模型的子空间辨识方法

针对子空间模型辨识(SMI)方法这类线性模型辨识技术存在的建模误差,提出一种两阶段固定翼飞机飞行动力学模型辨识方法.首先采用基于辅助变量的闭环SMI方法辨识飞机的近似线性模型;然后,利用该模型构建扩张状态观测器,从而估计出系统中的非线性动态数据;在此基础上,进一步采用神经网络建立系统非线性动态的分散式模型.最后,利用B747飞机6自由度非线性模型进行系统辨识实验,所得结果验证了该方法的有效性.     

基于子空间方法的超超临界机组过热蒸汽系统模型辨识

针对超超临界机组过热蒸汽系统模型辨识,采用基于数据驱动的闭环子空间辨识方法直接得到系统的阶跃响应系数,结合传统的SISO(Single Input Single Output)辨识方法,并利用最小二乘算法回归出系统的低阶传递函数模型.通过对某电厂超超临界机组过热蒸汽系统进行闭环辨识,结果表明,该策略很好地融合了子空间方法的简便性以及传统SISO辨识方法的最优性,并成功用于超超临界机组过热蒸汽系统模型辨识.     

梳棉机动态数学模型的辨识

以A186型梳棉机为对象,设计了辨识实验,并进行了数据采集.在此基础上,运用增广最小二乘法(ELS法),建立了该型梳棉机用线性差分方程表示的动态数学模型.仿真和实际使用该模型的结果表明,所建立的梳棉机动态数学模型是合适的.     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于改进的长短期记忆神经网络方言辨识模型

在案件侦破中方言的辨别能提供重要线索,为了对汉语方言进行辨别,基于长短期记忆神经网络LSTM的方言辨识模型被提出,语音样本数据其中包括地区口头禅均采集于贵州省6个地区,并提取梅尔频率倒谱系数MFCC,每份语音样本MFCC后面加上相应的地区口头禅MFCC,然后采用滑窗进行信息重叠分块,对每块分别进行横向与纵向奇异值分解并保留高贡献率的特征向量,把分块合并作为方言识别模型的输入数据。先对LSTM进行改进,然后构建方言识别模型,通过交叉实验对该模型进行训练和验证,从而对滑窗的宽度进行优化,同时与循环神经网络RNN进行比较。实验结果证明本研究构建的LSTM模型对汉语方言识别是高效的。     

中长期水文预报的模型辨识及预测研究

 针对中长期水文预报的模型辨识进行研究,探讨了预处理、建模数据量和建模方式对于模型预测精度的影响。利用基于有限采样信息准则（FSIC）的组合信息准则（CIC）对模型进行定阶,结合Kalman滤波方法进行非线性预测研究。研究表明：① 在进行模型辨识时,如果预处理导致识别的模型复杂度大幅度降低,应通过模型的预测结果对预处理方法的合理性进行检验;② 建模数据量应足以反映时序的内在波动性,但并不是越多越好,过多的建模数据量会导致模型的复杂性大幅度增加,在增加计算耗时的同时,也降低了预测的稳健性;③ 滑动模型主要是改善了较高径流值和径流峰值的预测情况,相对牺牲了较低径流值的预测精度;④ Kalman滤波方法全方位、大幅度的提高了径流在各个区段的预测效果,其峰值预测准确率更是高达63.64%。     

基于时间序列模型的结构损伤识别方法

针对现有结构损伤识别方法中因模型参数物理意义不明确而导致的损伤信息遗漏等问题,提出一种基于时间序列模型的损伤识别方法.首先,推导了具有外部输入的自回归模型(ARX)的一般表达式,并通过联立多自由度体系运动方程建立了考虑结构动力特性的ARX模型.随后,运用该模型预测得到未损伤情况下的节点加速度时程序列,根据其与实测数据的差异程度构造表征结构损伤的参数,即损伤因子.最后,根据损伤因子数值大小与分布情况评估结构损伤状态.数值算例结果表明,该方法在较少的测量数据样本下,能够较好地识别单位置与多位置损伤,并可较为准确地判断损伤程度,同时识别结果受激振位置与测量噪声的影响较小.     

基于OSI网络管理信息模型的建立

ＯＳＩ网络管理信息模型结构ＳＭＩ（ＳｔｒｕｃｔｕｒｅｏｆＭａｎａｇｅｍｅｎｔＩｎｆｏｒｍａｔｉｏｎ）在开放系统工连ＯＳＩ标准里已成为重要角色．这里论述了管理对象如何命名的描述方法，并给出ＯＳＩ管理对象标识参考．提出了一种基于ＬＡＮ互连网间网管理信息模型的建立方法．     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

Identification of Neuro-Fuzzy Hammerstein Model Based on Probability Density Function

A new identification method of neuro-uzzy Hammerstein model based on probability density function(PDF) is presented,which is different from the idea that mean squared error(MSE) is employed as the index function in traditional identification methods.Firstly,a neuro-fuzzy based Hammerstein model is constructed to describe the nonlinearity of Hammerstein process without any prior process knowledge.Secondly,a kind of special test signal is used to separate the link parts of the Hammerstein model.More specifically,the conception of PDF is introduced to solve the identification problem of the neuro-fuzzy Hammerstein model.The antecedent parameters are estimated by a clustering algorithm,while the consequent parameters of the model are identified by designing a virtual PDF control system in which the PDF of the modeling error is estimated and controlled to converge to the target.The proposed method not only guarantees the accuracy of the model but also dominates the spatial distribution of PDF of the model error to improve the generalization ability of the model.Simulated results show the effectiveness of the proposed method.     

遗传修饰小鼠模型基因型鉴定技术要点介绍

近年来,随着生物医学研究及基因编辑技术的发展,出现了越来越多的动物模型.由于制作方法的不同,其基因型鉴定技术方法也不一样,导致基因型鉴定的工作存在混乱无序的现象.本文根据遗传修饰小鼠模型制作方法进行分类,介绍了随机转基因小鼠、条件性基因敲入小鼠、基因敲除小鼠三类常见模型的基因型鉴定技术要点,规范遗传修饰小鼠模型基因型鉴...     

ARMA模型参数的分步估计方法

提出了一种ARMA模型的线性估计方法，这种方法通过两次AR模型的估计来实现ARMA的估计。讨论了一维时间序列开环系统、闭环系统的辨识方法及定阶问题。仿真结果表明该方法具有良好的准确度和可靠性，可直接用于结构状态监测。     

混合动力电动汽车辅助功率单元模型辨识

为提高模型辨识精度,基于阶跃响应,推导了二阶带零点/死区(SOPZ/DT)连续模型的直接辨识算法. 以辅助功率单元(APU)微缩系统阶跃响应数据为依据,利用所推算法进行模型辨识. 对所得模型进行仿真并与试验值相比较,结果证明,所得模型预测精度较高,可以作为控制模型得以应用.     

逐步回归法辨识线性系统模型

线性系统的结构辨识主要依据模型残差来人工判断。这不仅引入了判断误差,同时也使该方法难于投入实际应用。针对这一问题,该文提出一种修正的逐步回归法,用于对有色噪声环境下的线性系统建模。该方法将各回归变量按对输出的“贡献”排队,通过判断“贡献”的显著性来决定是否选入回归方程,从而能够同时决定模型的阶次、系统纯时延和模型参数。该方法具有计算量小、适应性强等优点。仿真试验验证上述结论。     

基于Logistic模型的驾驶人换道意图识别方法

 为有效降低车道变换行为诱发事故的风险性,提出一种基于Logistic 模型的驾驶人换道意图识别方法。利用faceLAB 视觉追踪系统,通过真实环境下的实车测试,结合换道前驾驶人对后视镜的注视特性确定换道意图时窗,分析车道保持与换道意图阶段的注视特性差异,提取扫视次数、扫视幅度、水平方向视觉搜索广度、头部水平转动角度标准差等驾驶人换道意图特征指标,构建了Logistic 模型,并经效度检验后应用于对驾驶人换道意图的识别。结果显示,基于Logistic 模型的驾驶人换道意图识别方法的识别成功率达到90.24%,与基于转向灯信号的驾驶人换道意图识别方法相比,具有明显的时序及成功率方面的优势。     

基于时不变ARMA模型的线性多自由度结构参数识别

简单介绍了时不变ARMA模型的数学描述，并阐述了结构参数与ARMA模型参数之间的对应关系：通过实例分析说明了ARMA模型用于工程结构识别的可行性；最后用一维ARX模型和ARVX模型对同一结构进行识别，从而得出多维模型在结构识别领域有更广阔的应用前景。     

挠性结构振动主动控制中的模型辨识

论文将有限元建模与面向控制的频域辨识结合起来应用于挠性结构振动主动控制的建模中，并对辨识的输入信号进行分析研究，以挠性悬臂梁为例进行了模型辨识，利用物理实验系统进行控制和验证，结果表明：对于挠性结构，频域辨识能得到针对控制的、效果很好的数学模型。     

基于改进微分进化和分散辨识算法的炼钢模型研究

在炼钢过程模型辨识中,被控对象的动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,使得难以对其建立比较精确的模型。为实现精确建模,提出了一种基于微分进化和分散辨识算法的辨识方法。该方法通过改进的微分进化算法,对系统进行参数优化,接着采用分散辨识在设定点输入阶跃信号,待系统进入稳态后再采样,使得到的稳态输出值能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,通过微分进化算法可进一步确定炼钢过程的最佳参数,在采用分散辨识方法对炼钢复杂对象进行辨识后,可以建立更好的数学模型。     

Accurate Identification of Mass Peaks for Tandem Mass Spectra Using MCMC Model

In proteomics, many methods for the identification of proteins have been developed. However, because of limited known genome sequences, noisy data, incomplete ion sequences, and the accuracy of protein identification,it is challenging to identify peptides using tandem mass spectral data. Noise filtering and removing thus play a key role in accurate peptide identification from tandem mass spectra. In this paper, we employ a Bayesian model to identify proteins based on the prior information of bond cleavages. A Markov Chain Monte Carlo(MCMC)algorithm is used to simulate candidate peptides from the posterior distribution and to estimate the parameters for the Bayesian model. Our simulation and computational experimental results show that the model can identify peptide with a higher accuracy.