一种非线性系统自适应辨识的新方法

研究了Volterra级数模型的非线性系统的自适应辨识问题．并提出了基于Volterra滤波器的自适应算法，讨论了步长因子的确定问题以及对算法收敛性的影响．最后给出了一个用Volterra自适应滤波器对非线性系统建模的实例，证明了这种方法的有效性．     

基于Volterra级数模型的非线性系统的鲁棒自适应辨识

研究了基于Volterra模型的非线性系统的鲁棒自适应辨识问题。针对Volterra系统辨识时输入输出观测数据均受噪声污染的情况,建立了基于Volterra模型的鲁棒Volterra总体均方最小自适应辨识算法。算法应用梯度下降原理,通过对梯度的修正,有效地提高了算法的鲁棒性。仿真结果表明,在低信噪比,或使用较大学习因子的情况下,该算法的收敛性能明显优于其他算法,便于实际应用。     

基于辨识模型的非线性网络故障诊断方法研究

将Volterra级数解的递推算式与方波脉冲函数变换相结合,提出了一种对一类非线性动态网络的数学模型进行辨识的新型混合模型辨识法,导出了相应的混合模型辨识公式和动态响应的求解方法．并根据该法所得到的辨识混合模型,提出采用多重预置模型方法对非线性网络故障进行诊断的方法．该法避免了在线计算系统当前工作模型,易于实现在线故障诊断、     

多输入多输出非线性系统Volterra频域核的非参数辨识方法

为解决多输入多输出(MIMO)非线性系统Volterra频域核辨识困难的问题,提出了一种MIMO非线性系统Volterra频域核的非参数辨识方法.该方法先对待辨识的MIMO非线性系统的各输入端添加不同频率成分的单音激励信号,再对系统的输出端信号进行采样并使用Vandermonde法使各阶核输出分离,然后根据单音激励下MIMO非线性系统Volterra核的频域输出特性,推导出该类系统Volterra频域核的辨识公式.由于采用了多音信号激励MIMO非线性系统,实现了一次激励下多点辨识的目的,因此提高了辨识效率.该方法仅依赖于系统的输入输出数据,具有较强的实用性.采用该方法对一个双输入双输出的非线性系统Volterra频域核进行辨识,最大偏差小于10-5,验证了该方法的有效性.     

一种简化Volterra级数的记忆功放行为模型

考虑强非线性和长记忆效应的功放行为模型,需要降低Volterra级数模型的辨识参数,提出了一种基于简化Volterra级数的功率放大器行为模型。通过对广义记忆多项式模型(GMP)中的交叉相乘项的记忆时间距离l进行有效控制,可以在满足系统误差要求的同时减少辨识参数的数量。仿真结果表明,简化的Volterra级数模型性能优于记忆多项式模型(MP),略低于GMP模型,模型辨识参数大大减少。     

基于Volterra模型的一类通信系统的参数辨识

分析了Ｖｏｌｔｅｒｒａ级数理论对于非线性系统的模型建造的意义，提出了一类通信系统的适用于系统辨识的新模型－－Ｖｏｌｔｅｒｒａ离散频域模型，应用此模型对一个具体的通信系统有效地进行了非线性故障诊断和参数辨识。     

一种Volterra级数模型的简化辨识方法及其应用

针对基于Volterra级数模型的非线性系统辨识中存在的“维数灾难”问题,提出了一种基于分块最小均方(BLMS)滤波器的简化辨识方法.该方法利用影响指数的概念,在保证一定辨识精度的前提下,根据每个Volterra核函数对辨识结果贡献的大小对其进行筛选,然后用筛选出的有效核函数作为对原系统的近似,从而达到降低辨识维数,减少计算量的目的.最后,文章用一个工程实例验证了该算法的有效性.     

基于变步长分块滤波器的Volterra级数简化辨识方法

针对Volterra级数辨识中的维数灾难问题，提出了一种基于变步长分块最小均方滤波器的Volterra级数简化辨识方法．该方法利用影响指数的概念，在保证一定辨识精度的前提下，对每个Volterra核根据其对辨识的贡献大小进行筛选，再用筛选出的有效核作为对原系统的近似，从而达到降低辨识中核向量维数的目的．同时，该方法将块滤波器的块平均绝对误差与滤波器的步长因子相关联，使得块滤波器的步长因子随着数据块的平均绝对误差而动态调整，改善了辨识的收敛性能．将该方法应用于某型直升机电动舵机的Volterra级数模型的辨识，结果表明，在保证一定精度的前提下，可以将核的数量降低50%以上．     

基于GFRFs的模拟电路故障诊断方法

探讨了基于非线性系统的广义频率响应方程GFRFs模拟电路的故障诊断方法。利用三阶GFRFs简化辨识算法分别对中放检波电路中的各级子电路进行GFRFs模型辨识。分析其各阶Volterra核所具有的特点。提出了基于GFRFs的故障特征GF。分析了故障状态与正常状态下其特征的异同。将基于GFRFs的系统辨识方法应用于非线性模拟电路的故障诊断,验证了它在模拟电路故障诊断中的可行性。     

总径流非线性响应的Volterra模型初探

在总径流线性响应模型的基础上,提出了流域总径流非线性响应的Volterra模型,并给出了其建模和求解方法．Volterra模型的矩阵表达清晰,易于编程实现．千河流域的应用结果表明,考虑了雨强大小、雨量分布等非线性影响因素的Volterra模型,其效果优于总径流线性响应模型．     

干摩擦滞后系统的参数识别

本文采用参数识别和非参数识别相结合的方法对含有干摩擦滞后特性的非线性系统的模型特征与参数进行了分析研完。利用正交幂级数多项式的最小二乘估计法对系统的非线性恢复力进行最佳逼近。提出了结合最小二乘回归技术关于非线性恢复力最佳阶次的判别方法。通过模拟识别和结合实际产品对双线性滞后模型的特征参数进行识别研完。为非线性干摩擦滞后系统的动态特性研究及工程应用提供了新的依据和方法。     

非线性系统辨识的递推-迭代方法

所提出的辨识新方法,以递推最小二乘(RLS)参数估计与非线性规划(BFGS)为主体。其测量数据的部分新息由RLS利用,而另一部分新息则通过BFGS加以采用。通常RLS只能递推地得到“粗略的”参数估计值,而BFGS则迭代地精确化参数的估计值。该辨识算法用于线性系统时,可以提高参数估计值的精度,改善收敛性。另外,该算法中的非线性迭代最优化过程可以克服非线性效应,参数估计值的精度和收敛性可以得到改进,这已由数字仿真验证。     

金属丝网减振器的建模与参数识别研究

针对金属丝网减振器的滞迟特性和非线性关系,利用金属丝网减振器的静态特性试验得到载荷-位移曲线,并由此建立了金属丝网减振器的滞迟恢复力模型,将恢复力gn分解为无记忆部分g0和记忆部分z(t),并分别用间接Fourier展开法和直接Chebyshev展开法对减振器双折线本构关系进行级数展开和参数辨识,通过参数识别数值模拟得出Chebyshev级数展开识别法的精度略胜一筹,为建立金属丝网减振器非线性泛函本构关系与动力学模型提供了坚实的实验基础和理论指导。     

含饱和特性的双采样率数据Hammerstein系统辨识

针对含有饱和特性的双采样率数据Hammerstein系统提出了一种新的辨识方法。首先,将含有饱和特性的静态非线性环节和线性动态环节的串联,整理成一个非线性基函数和线性动态环节的串联。在此基础上,利用辅助模型辨识原理解决数据缺失、中间未知变量、被辨识参数之间存在耦合的问题, 通过递推辨识算法利用双率采样数据辨识单率Hammerstein模型中的参数。最后,以一个含饱和特性非线性系统实例的建模来验证提出辨识算法的有效性。     

基于神经网络的切换非线性系统辨识

提出了一种基于神经网络的多个Hammerstein-Wiener模型构成切换非线性系统的在线辨识方法.首先,通过误差逆传播(back propagation,BP)神经网络建立切换非线性系统的切换规律预测模型;其次,提出折息递推辨识算法对各个非线性子系统的参数进行辨识.利用关键项分离法对乘积项进行分离,得到各个子系统的参数估计值.最后通过切换非线性系统辨识实例,并与其他方法进行比较,验证了所提方法的有效性.结果 表明:提出的方法在辨识切换非线性系统方面具有更高的准确率和可靠性.     

强跟踪滤波器在AUV执行机构故障诊断中的应用

建立了AUV的推力器及舵等执行机构的偏差型故障模型；引入强跟踪滤波器理论，采用SFEKF算法(一种采用时变渐消因子实现的强跟踪滤波器算法)在线估计AUV状态及执行机构故障偏差，利用贝叶斯决策方法对得到的残差进行分析，实现了AUV执行机构的故障诊断；仿真验证了强跟踪滤波器在AUV执行机构故障诊断中的有效性．     

基于组合信号源的非线性系统的子空间辨识

为解决对非线性采样系统的状态空间Hammerstein模型难以辨识的问题,提出了基于组合信号源的辨识方法.首先用组合信号源将静态非线性环节和动态线性环节分离.其次,采用模糊神经模型拟合静态非线性环节,有效地避免了采用多项式方法逼近非线性函数的限制,拓宽了非线性模型的适用范围;采用子空间算法估计采样系统的状态空间参数矩阵.最后,通过对两个非线性Hammerstein系统模型的仿真,验证了所提出的辨识方法,既简化了辨识过程,对非线性模块能够较好地拟合,又可以很快估计出状态空间方程系数矩阵,从而证明了所提方法的准确性和有效性.     

基于小波变换的非线性多自由度系统的参数识别

讨论了用小波理论识别非线性多自由度系统参数的方法.首先将系统的微分方程投影到由Daubech ies尺度函数张成的子空间中去,然后利用Daubech ies小波的性质将系统微分方程转变为由未知参数构成的一个超越代数方程组,从而最终将系统参数识别问题转变为代数方程组的求解问题.仿真结果证明了该方法的有效性.     

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.     

加权门限模型

门限模型(Threshold Model)是描述非线性系统的一种行之有效的数学模型。由于门限的划分,在不同区域内建模的可用数据就会减少,使模型参数的估计精度降低。本文提出的加权门限模型改变了一般门限模型把不同区域的参数截然隔离的做法,采用加权的方法将不同区域的参数估计值结合起来,从而提高了模型参数的估计精度,减少了模型的预报误差和残差。