基于Memetic框架混合群智能算法的NARMAX模型参数辨识

针对NARMAX模型的参数辨识问题,提出一种新颖的混合群智能算法.该算法在Memetic算法框架的基础上,采用粒子群算法与人工蜂群算法融合作为全局搜索策略,采用单纯形优化法作为局部搜索策略.针对三个复杂程度不同的NARMAX模型进行的参数辨识仿真实验,结果显示,与标准人工蜂群算法和随机惯性权重粒子群算法相比,新算法无论在鲁棒性还是求解精度上都具有一定优势.     

基于群体智能算法的非线性系统参数辨识

群体智能算法是一类适用于非线性、不可微和多峰值复杂函数的优化方法.针对非线性系统的特点,在粒子群算法中,采用贪婪准则来确定全局最优粒子,并将该算法与人工蜂群算法应用于非线性系统参数辨识,辨识结果显示了两种算法对含加性噪声的NARMAX模型辨识的有效性,并为将来的研究工作提出了方向.     

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.     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

基于改进遗传算法的电阻炉模型参数辨识

由于电阻炉模型为非线性模型,使得参数辨识非常困难。因此针对该模型提出了一种基于改进遗传算法的模型参数辨识方法,并通过MATIAB仿真对辨识方法进行验证,结果表明该方法有效可行。     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

腕力传感器动态非线性的研究

传感器的动态特性中存在非线性因素,这影响了传感器动态性能的改善。文章采用Hammerstein模型来描述其动态非线性,推导动态非线性的辨识算法,对传感器建模。在此基础上又提出了动态非线性补偿的方法,改进传感器的动态特性。仿真结果证明了辨识算法和补偿方法的正确性,其有效性在腕力传感器的实际应用中得到验证。     

一种连续系统辨识方法及其在飞控规律辨识中的应用

针对某型飞机控制系统的规律辨识问题，对文献[2,3]提出的连续系统辨识方法进行了改进，给出了该方法可以适用的辨识对象的一般模型，同时通过对误差模型和极小化指标的改进，把原方法推广至时变参数辨识领域。数值仿真结果表明该方法成功的解决了该飞控系统的辨识问题。该方法还很容易推广到一类具有相同特征的线性，非线性，时变或时不变的参数辨识中。     

格分片线性函数的辨识和优化

格分片线性模型由一个实数矩阵和一个 0 - 1矩阵所确定 ,能够表示任意维变量的全体连续分片线性函数 ,其实数矩阵完全由它的局部线性函数的参数向量所组成。这些特点为辨识分片线性函数和利用线性模型的分析方法解决分片线性模型描述的非线性问题提供了极大的便利。该文引入格分片线性模型解决非线性函数的辨识问题。给出了辨识格分片线性函数的实用算法。并对线性约束下的格分片线性函数优化问题提出了通过线性规划算法确定全局最优解的简单方法。这些工作表明 ,用格分片线性函数建模是解决非线性问题的一种有效途径     

偏差校正最小二乘法参数辩识的分析和仿真

本文旨在分析偏差校正法与其他参数辩识方法的关系。在前面部分，借助移位向量把二次准则表达成待辩识参数的显函数。这样广义最小二乘法，偏差校正法及伪线性法的离线算法便很容易地以这同一准则导出。后面部分从递推预报误差法导出以上三种方法的递推算法。通过以上分析并采用仿真手段清楚展现了各种算法间的相互关系。     

梁桥结构损伤系统识别

基于梁桥的静态试验数据,采用系统识别原理,提出了一种梁桥结构损伤的识别方法。结合一五跨连续梁桥结构,进行了数值分析,取得了满意的识别结果,表明该方法具有较好的收敛性和可靠性。     

NARMAX模型辨识的直交化最小二乘新算法

基于实际中常用的ＣＧＳ（ＣｌａｓｓｉｃａｌＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＭＧＳ（ＭｏｄｉｆｉｅｄＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＨＴ（ＨｏｕｓｅｈｏｌｄｅｒＴｒａｎｓｆｏｒｍａｔｉｏｎ）及Ｇｉｖｅｎｓ算法，给出了１类改进的直交化最小二乘新算法，分别称之为改进的ＣＧＳ、ＭＧＳ、ＭＨＴ及ＭＧＶ算法，改善了原算法的数值稳定性．将改进算法用于非线性ＮＡＲＭＡＸ模型辨识，构造出了１种新的模型结构与参数辨识的一体化算法．新算法基于逐步回归进行模型选项并消去模型中的冗余项，保证了最终模型的结构优化，并可给出比Ｂｉｌｉｎｇｓ等算法精度更高的参数估计．仿真结果证明了文章中算法的优越性     

多输入多输出系统结构辨识

理论分析及仿真结果表明，在以往残差技术基础上引入了白化滤波器可大大改善辨识多输入多输出系统结构的可靠性及准确性．     

OFDM系统中最大似然调制识别算法研究

对观测样本进行非线形变换,提出了基于子载波和子载波组的OFDM系统最大似然调制识别算法,解决了载波频偏引起最大似然调制识别算法性能急剧下降的问题.仿真结果表明,当归一化频偏小于0.15时,该算法具有良好的识别性能.     

用模型扩展法辨识具有非平稳扰动的系统

在辨识实际系统时,非平稳噪声扰动是较多见的。目前用得较多的预滤波处理法由于受到一些先验知识的限制,常常得不到较好的辨识结果。本文通过对一类非平稳随机过程的描述,提出一种扩展辨识模型的修正辨识算法,可在不作滤波预处理的情况下,得到非平稳噪声扰动下系统参数的无偏估计。仿真试验证明了修正算法是简单可行的,且仍可在平稳随机噪声条件下使用。     

离散线性系统的集员辨识

针对含有随机干扰的CAR模型系统，基于系统的输入，输出数据及一定的验前分布已知的条件，应用数理统计中的Bayes方法，对其模型的参数进行集员辨识，从而得到一个以大概率包含参数真值的集合．     

时滞系统的频域子空间辨识算法

针对时滞多变量系统的辨识问题,提出了一种频域子空间算法,通过使用多项式对时滞项进行近似,可以用适当阶次的线性模型对时滞系统进行逼近,在时滞常数已知时,通过把时滞项析算到输入中,使用改进的频域辨识方法可以得到较为精确的结果,仿真研究表明,这种方法在适当选取的激励信号和采样频率下可以较好地逼近原始系统。     

基于遗传程序设计的非线性系统参数辨识

遗传程序设计(GP)是一种自适应的与问题无关的进化算法,它克服了遗传算法的容易陷入局部极值的缺陷。本文讨论使用遗传程序设计对非线性系统进行参数辨识的算法,实现及应用,实验证明:该方法具有收敛速度和精度的明显优势。     

链状非线性振动系统识别的无偏一致算法

本文提出链状非线性振动系统非参数识别的新算法。利用多项式级数逼近一般无记忆非线性恢复力,以回归方法求展开系数,对系统非线性引入的相关残盖,用时间序列分析方法处理,迭代修改初估值,最后得到具有无偏性和一致性的识别结果。