一种时间序列优化的粒子滤波算法

针对预测对象在动态过程中发生结构性变化的时间序列,难以建立一个实时解析变化趋势的模型.本文提出基于时间序列自适应建模的粒子滤波算法(TS-PF).采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计.非线性预测系统仿真实验表明基于时间序列自适应建模的粒子滤波算法(TS-PF)比单纯采用时间序列动态建模算法(TS)精度更高,提高了动态目标跟踪的准确性.     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

非线性系统的神经网络逆模型控制

利用神经网络逼近任意非线性的能力 ,将其与非线性逆系统相结合 ,对非线性系统的逆模型进行建模 ,对实现的伪线性系统设计自适应控制进行综合 ,动态神经网络在线消除系统的近似逆误差和正向模型的辨识误差 ,设计权值调整规律为 w∧·=-λ·eTPbΦ(r ,r· ,v)‖e‖ p >E0‖e‖ p >E,仿真结果表明其有效 .     

基于多Agent及多方法集成的复杂工艺优化模型

针对复杂工艺中涉及多因子、高噪声、非线性过程关系和模糊对象问题,提出一种集成多种智能计算方法的优化模型.该模型以多Agent技术来组织,划分为决策支持层、系统重构层和数据集成层,Agent间以Ontology来实现信息传递.在建模过程中,利用Chebyshev多项式的正交性质和递推性质,将过程输入变量正交化、线性化后,再应用偏最小二乘回归法计算模型参数,优化Agent在交互方式下通过变异的遗传算法来获取模糊工艺的最优解.以MOLDFLOW软件获取的注塑数据来训练BP(Back propagation)神经网络.结果表明:该优化系统的平均预测精度较BP神经网络提高3.23%.     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

漂浮基空间机器人的智能融合自适应控制器设计

提出了一种智能融合自适应控制策略用于带外部干扰及模型不确定性的漂浮基空间机器人系统.首先建立不确定空间机器人动力学模型,利用径向基神经网络在逼近域内来补偿模型中出现的未知非线性部分,为保证权值及网络参数在线调节,采用线性化技术将非线性的RBF网络部分线性化,其高阶项量及逼近误差通过自适应鲁棒控制器消除,无须预先估计系统的不确定性程度和外部干扰,包括网络权值和基函数宽度及中心在内的所有参数均能在线实时调整,从而提高了控制精度.该控制器在神经网络控制器的暂时失效的情况下也能保证系统鲁棒性,基于李雅普诺夫理论证明了整个闭环系统信号一致最终有界（UUB）.仿真结果表明该智能融合控制器能够达到很好的控制精度.     

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统.设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真.结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力.     

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.     

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.