改进遗传规划算法在系统辨识中的应用

为了解决工业过程中数据丰富但机理不完全可知的非线性动态系统建模问题,提出了一种改进的遗传规划算法,以辨识模型结构和参数.该算法首先基于多层次辨识和反馈的基本思想,对系统进行多次辨识,直到把辨识误差缩小到可接受的范围;然后,采用最小二乘法估测模型参数,避免优良模型结构因低劣参数而被淘汰;最后,实施M估计技术,削弱强噪声对建模的影响,增强模型泛化能力.针对满足Lotka-Volterra方程的非线性动态系统进行建模仿真,试验结果表明该算法能较好地辨识满足Lotka-Volterra方程的一类非线性动态系统.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

随机时变系统最小二乘辨识的收敛速度

对不相关噪声的多维时变系统，在相当一般的非持续激励条件下，建立了最小二乘算法的收敛速度，并通过引入衰减激励控制，在可辨识条件下，获得了该非持续激励条件．     

基于移动窗的多核最小二乘支持向量机建模算法

针对时变工业过程建模中存在的模型泛化性和适应性较低的问题,利用移动窗技术,通过使用多个核函数,提出了一种基于移动窗的多核最小二乘支持向量机(LSSVM)建模算法.该算法在最小二乘支持向量机算法基础上,利用多核组合代替单核,增强了模型的泛化能力;利用移动窗技术,增加了模型对时变工业过程的动态辨识能力及模型的更新效率.仿真实验结果表明,该算法具有更好的泛化性能.     

基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

用于非线性时变系统噪声统计Q、R阵估计的新方法

提出了一种估计非线性时变系统过程噪声协方差阵Q和观测噪声协方差阵R的新方法.扩展卡尔曼算法结合前馈神经网络的非线性时变系统辨识过程中,噪声统计Q、R阵的估计是影响系统建模和预测精度的关键因素之一.本文所提出的估计噪声统计Q、R阵方法是基于协方差匹配技术,将M ehra估计定常系统噪声统计的方法推广到一般的非线性时变系统.仿真结果显示了本文方法的有效性.     

最小二乘小波支持向量机在非线性系统辨识中的应用

基于小波分解和支持向量核函数的条件,提出了一种多维允许支持向量小波核函数.该核函数不仅是近似正交的,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提高了支持向量机的泛化能力.基于小波核函数和正则化理论提出了最小二乘小波支持向量机(LS WSVM)并将LS WSVM用于非线性系统的辨识,提高了辨识效果,减少了计算量.仿真结果表明:LS WSVM在同等条件下比传统支持向量机的辨识精度提高约13 1%,因而更适合于工程应用.     

一种基于支持向量机的非线性系统辨识方法

提出一种新的非线性系统辨识方法,基于支持向量机回归算法,选取高斯核函数构造了从输入空间到高维特征空间的非线性映射,以避免繁琐的运算,实现对非线性系统的辨识。仿真结果表明了SVM具有很好的拟合和泛化能力,同基于神经网络的非线性系统辨识相比,其辨识和泛化性能要优于神经网络。支持向量机的使用为工业过程的系统辨识提供了一条新的途径。     

块脉冲算子及其在控制理论中的应用(Ⅱ)——非线性时变系统中时变参数的递推辨识

本文利用(Ⅰ)中所提出的块脉冲算子,来讨论非线性时变系统中时变参数的辨识问题。以两类典型的系统(双线性时变系统和多项式时变系统)为例,分别给出了时变参数的递推辨识算法及计算机模拟结果。这种算法计算简便、精度较高。本文并进一步概括出应用这种方法去获得一般非线性时变系统参数辨识算法所应遵循的步骤,为获得更广泛的非线性时变系统的参数辨识算法,提供了新的途径。     

死区非线性系统物理参数的两步辨识法

针对含非对称死区环节的非线性系统提出了一种基于Legendre多项式最佳平方逼近的两步辨识法。辨识时首先将非对称死区非线性恢复力用Legendre多项式近似,并用直接参数估计法辨识得到系统质量、阻尼等参数以及Legendre多项式系数;然后根据Legendre多项式最佳平方逼近系数与死区参数之间的关系估计出死区参数。仿真算例表明:在只测得带观测噪声的加速度和激励力数据的情况下,该方法仍能较好地辨识出死区宽度和斜率参数。     

基于GA-BP算法的神经网络非线性系统辨识与仿真

本文根据神经网络在非线性函数中的逼近能力,发挥遗传算法(GA)全局寻优和BP算法局部收敛结合的优势,将GA-BP算法应用于神经网络,完成系统的非线性辨识功能.仿真结果表明:基于GA-BP算法的神经网络具有良好的非线性逼近能力和泛化能力,具有较高的系统辨识精度.     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

一类不确定非线性时变时滞系统的鲁棒控制

研究了一类带有不确定非线性时变时滞系统的鲁棒渐近稳定问题.利用Lyapunov稳定性定理和LMI技术,给出了不确定非线性时变时滞系统在具有鲁棒状态反馈控制下鲁棒渐近稳定的充分条件.计算机仿真算例表明了该方法的有效性.     

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.     

改进型Elman神经网络在炉温控制系统建模中的应用

介绍一种基于改进型Elman神经网络的系统辨识方法,并将其应用于电加热炉温度控制系统的系统辨识.该系统具有典型的长时延、慢时变、非线性、强干扰分布参数系等特征,并与传统Elman及BP(Back Propagation)网络相比.实验结果表明:该方法适合于高阶动态系统且辨识效果较理想.     

基于小波基的SVM多气体融合

为了提高气体传感器在多气体环境下的检测灵敏度,基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数具备小波的多尺度插值特性和稀疏变化特性,提高了模型的精度和迭代的收敛速度,适用于信号的局部分析、信噪分离和突变信号的检测,从而能在提高支持向量机(SVM:Support Vector Machine)泛化能力的同时,提高辨识效果,减少计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对sin c函数的逼近.该小波核得到的绝对误差不超过0.004;在多气体分析中,比RBF(Radial Base Function)核所得的偏差小18.3%.这些表明SVM小波核具有更好的泛化能力.     

汽轮发电机组励磁系统参数辨识

通过对典型的励磁系统进行分析,确定其模型机构和需要辨识的具体参数,进行汽轮同步发电机组励磁系统参数可辨识性研究,得出在该模型下,通过设置合适的观测点,励磁系统的参数可唯一辨识的结论.以误差平方和最小为目标函数,采用进化策略法进行参数辨识,确定该模型结构下,励磁系统的各项具体参数.算例进一步验证能有效地辨识出励磁系统的参数.为汽轮同步发电机组励磁系统参数的辨识奠定了理论依据.     

分数阶系统的一种频域辨识算法

研究了利用频率响应数据辨识分数阶传递函数的问题.根据分数阶传递函数模型中,公因子阶次和分母系数是非线性参数,而分子系数则是线性参数,给出了一种频域辨识算法:利用模拟退火算法估计公因子阶次和分母系数,相应的分子系数通过求解线性最小二乘问题得到.该算法可以估计出包括公因子阶次在内的所有模型参数.无噪声和有噪声频率响应数据2种情况下的仿真算例验证了算法的有效性.     

基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

非线性系统时变时滞和参数的在线联合估计

为了解决非线性系统的时滞和参数的在线联合估计这一问题 ,提出了一种基于遗传算法的非线性系统时变时滞和参数的在线联合估计方法。将遗传算法的二进制编码改进为十进制编码。对于系统输入带有纯时滞的非线性系统 ,采用改进的遗传算法对系统时滞和参数进行在线联合估计。此方法能够有效地在线联合估计非线性系统的时变时滞和参数 ,并具有一定的抗噪声能力。仿真实验结果验证了此方法的有效性