多变量时变系统的自适应控制

将作者提出的单变量时变系统的算法推广到多变量情形,得到了多变量时变参数系统的自适应控制,同时讨论了算法的收敛性.     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

时变参数估计的几乎必然收敛性及均方参数估计误差的有界性

针对系统参数以随机方式变化的时变系统，提出了参数估计器的设计方案，通过选择估计算法中的设计参量，从而保证了参数估计的几乎必然收敛性。同时证明了均方参数估计误差的有界性。     

广义时变系统的最小二乘辨识方法

根据工程背景 ,提出了广义时变参数系统的概念。广义时变系统是指参数随系统可测扰动量变化的一类时变系统 ,即参数是系统可测扰动量函数的时变系统 ,提炼出这类时变系统的数学描述模型。根据最优化技术 ,导出了这类模型的两种辨识方法 ,即最小二乘型算法和随机梯度型算法 ,并应用鞅超收敛定理分析了算法的收敛性。分析表明 :由于该方法同时还利用了系统扰动量所含的信息 ,因而可以给出时变参数的一致估计。数字仿真验证了提出方法用于估计广义时变系统的参数是有效的。     

求解时变非线性方程的离散时间ZNN算法

对时变非线性方程的求解算法进行研究。给出一个连续型零化神经网络(zeroing neural network, ZNN),其实质上是一个二阶微分方程，利用拉普拉斯变换证明该方程的解收敛到时变非线性方程的解。利用带二阶截断误差的中心差商来逼近各阶导数，得到一个离散时间ZNN算法。利用Jury稳定判据给出了该离散时间ZNN算法中参数取值范围的估计，同时利用其它的差商给出了更多的离散时间ZNN算法。将所提出的ZNN算法成功应用到一些时变非线性方程问题。     

一类基于非平稳噪声参量估计的时变系统参数辨识

对于未知噪声时变统计特性的时变动态系统，论述了一类基于非平稳噪声参量估计的时变系统参数辨识算法．该算法包括三部分，通过在线状态估计，构造残序列模型，试图从测量信号中分离出非平稳噪声，在线估计噪声时变均值和方差，用于整个改进算法的实现．仿真例子验证了该方法的有效性．     

时变系统的Laguerre模型辨识及设计变量（2） ——Kalman滤波法

文章考虑动态线性系统的时变参数是平稳的AR（1）变量，系统为时变的Laguerre模型时的传递函数估计的均方误差（MSE）。在缓慢时变和高阶模型下，利用Kalman滤波算法，得到MSE的近似表达式。最后得到了Kalman滤波算法的设计变量的最优解。     

双率时变系统遗忘因子最小二乘参数估计

针对一类双采样率随机时变系统,应用多项式变换技术和随机过程理论,在强持续激励条件下,研究了双率时变遗忘因子最小二乘法(dual-rate forgotten factor least squares,DR-FFLS)的参数估计收敛性,得到了参数估计误差上界的精确表达式.分析表明,随着数据长度k的增加,DR-FFLS算法的参数估计误差上界收敛到常数.同时分析了双率确定性时不变系统、随机时不变系统、确定性时变系统的参数估计误差上界.仿真实例验证了对于随机时变与不变双率系统,同样可得参数估计误差小于参数估计误差上界,并且随着k的增大,参数估计误差上界趋于常数.     

基于时变ARVX模型的结构参数识别

详述了线性多自由度结构的ARVX模型实现,通过一个输入输出完整情况下的实例分析,验证了时变ARVX模型用于结构时变参数识别的可行性,并对识别结果进行了分析.     

梯度算法在转子时变控制中的应用

为了解决转子变刚度控制中因参数变化导致瞬态响应问题，采用梯度算法，计算出抑制转子瞬态的响应所需的控制力，设计了时变系统的反馈控制和状态观测器，构造出转子系统控制模型，并对一特定转子系统进行了设计。系统仿真结果表明，该算法设计的反馈控制可有效地减小转子瞬态响应幅值。     

Convergence Analysis of Forgetting Gradient Algorithm by Using Martingale Hyperconvergence Theorem

Introduction　　Considerthefollowinglineartime-varyingsystem[1,2],A(t,z-1)y(t)=B(t,z-1)u(t) v(t)(1)where{u(t)}and{y(t)}aretheinputandoutputsequencesofthesystem,respectively,{v(t)}isastochasticnoisesequence,andz-1representstheunitbackwardshiftoperator,i.e.,z-1y(t)=y(t-1),A(t,z-1)andB(t,z-1)aretime-varyingcoefficientpolynomialsintheunitbackwardshiftoperatorz-1,andA(t,z-1)=1 a1(t)z-1 a2(t)z-2 … ana(t)z-na,B(t,z-1)=b1(t)z-1 b2(t)z-1 … bnb(t)z-nb.Definetheinformationvector(t)andthetime-varyin…     

一种新的时变时滞系统控制方法

把一种新的能在线估计时变时滞系统参数的辨识算法与内模控制相结合,提出了时变时滞系统自适应内模控制算法．理论分析及仿真结果表明,该方法能够克服时滞及参数的变化,具有鲁棒性好、抗干扰能力强等特点,优于Ｓｍ ｉｔｈ 预估控制器．     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合,提出了时 滞系统自适应内模控制算法,理论分析及仿真结果表明,该算法能克服时滞及参数的变化,具有鲁棒性好,抗干扰能力的特点。     

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     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

不确定线性离散时滞系统的指数稳定性

采用属于超长方体的时变参数向量描述不确定性,利用仿射依赖于参数的Lyapunov泛函研究不确定线性离散时滞系统的指数稳定性问题,由Lyapunov泛函的指数衰减性保证系统的指数稳定性.引入仿射依赖于参数的自由权矩阵分析Lyapunov泛函的指数衰减性,利用多凸函数的性质把含时变参数的矩阵不等式转化成线性矩阵不等式,从而得到了指数稳定的充分条件.由于有效利用了不确定时变参数和其增量的上下界信息,并且采用凸组合方法处理区间时变时滞,因此所得方法具有较小的保守性.最后用数值算例验证了所得方法的有效性.     

一种非平稳随机信号模型的时变参数估计算法性能研究

采用递推最小二乘算法求解非平稳随机信号模型的时变参数。该方法的主要特点是计算量小，占用存贮空间少，没有矩阵求逆的问题。应用该方法的对分段线性调频信号、多个线性调频信号及非线性调频信号进行分析，比较了不同基时间函数的选取对时变参数估计的影响。     

时变离散系统的一种自适应算法及鲁棒性分析

针对时变离散系统,设计了一间接极点配置鲁棒自适应控制算法．用投影修正的最小二乘法辨识时变系统参数,并用极点配置法设计控制律．辨识机制的投影修正保证了闭环自适应控制系统的鲁棒稳定性．文中着重分析了自适应控制律的特性及闭环系统鲁棒稳定性,得到的结论是：如果未建模动态和平均时变充分小,则闭环系统有界输入、有界输出（ＢＩＢＯ）鲁棒稳定．文中的结果及其证明改进并发展了现有时变自适应控制理论．仿真例子验证了鲁棒性分析的正确性     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

预测型智能自整定PID控制器

提出一种预测控制和遗传算法相结合的自整定ＰＩＤ控制算法．该算法利用预测技术克服时滞,利用遗传算法优化ＰＩＤ控制器的参数．通过对工业过程中典型的大时滞被控过程进行数字仿真表明,这种控制算法鲁棒性强、响应速度快、抗干扰能力强,对控制系统有扰动、参数时变尤其时滞时变的大时滞生产过程有较好的控制效果．