带随机参数线性系统参数和状态估计的两阶段卡尔曼滤波算法

本文提出了一种带随机参数线性系统参数和状态估计的两阶段卡尔曼滤波算法.先利用卡尔曼滤波器和参数的观测信息作出参数的估计;然后把参数估计值代入状态方程得到原状态方程的近似,再次利用卡尔曼滤波器和观测信息作出状态的估计.优点是节省计算量,同时,估计的精度也有所提高.     

动力学参数估计的频域方法

本文讨论以谱估计为基础的动力学参数估计方法。它一般包括两步估计算法．即首先由线性系统的输入－输出信号估计其谱密度函数．再由第一步得到的频率响应数据估计系统的传递函数参数。文中从统一形式的性能指标出发，选用不同的加权项而导出不同的频率特性曲线拟合算法，如线性化算法、迭代法、非线性最优化方法以及基于若干基本环节的顺序迭代算法。文中还介绍了这种算法的几个应用实例。这种频域方法适用于一般线性系统的实验建模．具有通用性。     

蒸汽管道的传递函数及工程应用

研究了蒸汽管道的传递函数求解方法。建立了描述蒸汽管道动态响应的分布参数微分方程，采用新方法，经拉普拉斯变换将系统由时域转变到频域，进而直接求解和获得描述其动态响应的传递函数。给出了一般解法和它们的近似解。当用于工程控制系统时，可以获得系统的开环和闭环传递函数，经仿真计算可进而求得动态响应曲线。     

Walsh函数在系统识别中的应用

本文旨在讨论控制系统的Walsh函数识别问题。首先我们描述了系统识别的基本概念和最小二乘法估计的准则,接着讨论了单输入单输出(SISO)系统的Walsh函数识别方法,它包括了系统参数识别和未知的初始状态方程求解公式。在线性系统的范畴中,我们还讨论了线性定常时滞系统的Walsh函数识别,它是基于把非线性系统的函数表征成单值幂规律型的非线性过程,並用线性並矢定常系统将其描述为Voltera函数的级数表达形式,于是把识别问题归结为确定积分方程的核问题。     

基于神经网络的一类非线性系统参数估计

基于Ｈｏｐｆｉｅｌｄ神经网络的神经计算原理，提出了一类非线性系统的参数估计方法：首先将系统参数估计问题转化为以系统模型残差平方和为目标函数的优化计算问题，然后利用连续Ｈｏｐｆｉｅｌｄ神经网络的神经计算估计待辨识参数．数字仿真结果表明，该方法不仅算法简单，而且估计精度高．     

一类连续线性系统的完全辨识

在一般情况下，对于连续线性系统可以获得其代数等价系统或传递函数的辨识。本文对这种线性系统的一个特例，即由高阶方程描述的一类线性系统，依据系统的观测数据，用该系统的特征值构造出唯一的变换矩阵，解决这类系统辨识中，由离散辨识结果返回连续系统的反问题，进而实现这一类线性系统的完全辨识。     

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。     

增广最小二乘限定记忆参数估计算法与仿真

最小二乘法可用于动态系统、静态系统、线性系统和非线性系统的参数估计,可用于离线估计,也可用于在线估计;文章在增广最小二乘递推算法的基础上引入限定记忆方式,获得了增广最小二乘限定记忆参数估计递推算法(RFMELS),解决了增广最小二乘递推算法的数据饱和问题,仿真结果表明了RFMELS算法的有效性.     

生化过程的神经网络组合模型

用神经网络描述未知的反应动力学参数，结合反应器物料平衡方程，提出了生化过程的神经网络组合模型。并提出了特别适合微生物发酵过程的Ｍｏｎｏｄ饱和型和基质抑制型的神经元传递函数。在Ｈｅｂｂ学习的基础上，引入教师指导信号，提出了神经网络误差一次反向传播的快速学习算法。将此组合模型用于某流加发酵过程状态变量和动力学参数的在线估计，仿真研究获得了满意的结果。组合模型具有训练速度快、预测精度高等优点，为动力学结     

连续系统辨识的一种频域方法

本文提出一种辨识系统的连续模型参数的频域方法。对系统的输入、输出采样数据进行离散付里叶变换,可以得到相应的频谱。利用维纳——何甫方程求出脉冲传递函数。去掉采样滤波器的影响,即可得频率传递函数。在频城内进行参数估计是一个复有理最小二乘问题。对于最小相位系统则可以转化为二个实线性最小二乘问题。     

基于混合智能算法的轴承故障诊断系统设计

设计了基于多种智能方法的轴承试验机故障监测系统,该系统可实现轴承试验机的在线监测,对被试验轴承的的振动信号的时域与频域指标通过多种智能算法进行分析,从而实现轴承故障的综合实时诊断,整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中。该系统在轴承生产企业得到了成功的应用。     

基于二阶Adaline网络的滑模变结构控制器

针对一般神经网络滑模控制系统在线训练时间长、实时性差的问题,提出一种自适应神经滑模变结构控制系统。该系统主要由二阶Adaline网络辨识器、滑模控制器和变结构二阶学习算法估值器组成。其中二阶Adaline网络是对原Adaline网络的改进,在其输入样本向量中增广了有关样本的二次项,相当于用时变二次多项式去逼近非线性系统,既有原Adaline网络训练速度快的优点,又具有一定非线性逼近能力;滑模控制器根据辨识误差自适应调整趋近律中的增益参数;而变结构二阶学习算法首先对递推近似Newton法进行简化,然后将其改造成一种新型的变结构算法,具有较快的收敛速度。针对同一非线性系统,采用常规神经滑模变结构控制存在较小的抖振,平均调节误差为0.0913;而采用自适应神经滑模变结构控制很快趋于平稳,几乎消除高频抖振,平均调节误差为0.0109。仿真结果证明了该方案的有效性。     

车轮踏面擦伤的集成粗糙神经网络预示诊断

车轮踏面擦伤的预示诊断对列车安全运行具有重要意义。在分析粗糙集和神经网络特点的基础上,结合预示诊断中多传感器、多特征的要求,提出了一种粗糙集与多个神经网络相结合的车轮踏面擦伤预示诊断方法。该方法采用时频域都具有高分辨率的小波分析从车轮振动信号中提取擦伤特征,利用粗糙集的数据约简确定神经网络的初始拓扑结构,通过网络训练建立故障特征与故障之间的映射关系,从而实现踏面擦伤的多传感器融合诊断。实验结果表明该方法具有良好的预示诊断性能。     

基于动态BP算法的非线性滞后系统辨识

鉴于很多实际问题都可以转化到多示例框架下求解,多示例学习越来越受到机器学习领域内学者们的关注.提出了一个基于Logistic回归模型的多示例学习算法.首先定义了一个新的似然函数来表示每个包的标签与其示例的隐含标签之间的关系,然后利用凝聚函数把该似然函数转化为一个光滑的凹函数,从而使问题可以用常用的无约束优化方法快速求解.在一些标准数据集和一个文本分类问题上的实验结果表明,所提算法要优于其他常用多示例学习算法.     

基于进化神经网络的入侵检测方法

将神经网络与遗传算法结合,提出入侵检测的进化神经网络方法,它是个高效并行非线性动态处理系统,可以满足实时处理要求·首先用遗传算法优化神经网络结构,然后用优化的神经网络进行入侵检测预测、预警·用进化神经网络方法不断演化,寻找最优的网络结构·当进化神经网络学会系统正常工作模式后,能够对偏离系统正常工作的事件做出反应,进而可以发现一些新的攻击模式·实验表明预警率是很高的     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

医院大型电梯电力系统的PLC控制方法优化

医院大型电梯电力系统在实际运行的过程中具有很高的非线性和时变性,使大型电梯电力系统PLC控制效果不佳,当前方法采用线性学习法,无法适应运行环境的不确定性,造成电力系统控制的不稳定性。提出一种基于BP神经网络PID控制算法的医院大型电梯电力系统的PLC控制优化方法,将PID算法作为PLC的软件设计部分,通过比例、积分与微分这三种控制作用的合理调配,形成相互关系。鉴于PID控制算法调节时间长、超调量大等弊端,采用BP神经网络对其进行优化。利用BP神经网络的自学习和加权系数的调整,使BP神经网络输出最优大型电梯电力系统控制规律下的PID控制算法的参数,实现医院大型电梯电力系统的稳定控制。实验结果表明,所提方法具有很高的控制稳定性和鲁邦性,综合性能较强。     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

基于神经网络的永磁同步电机广义预测控制

介绍了一种基于神经网络的永磁同步电机矢量控制系统的广义预测控制方法.通过分析永磁同步电机数学模型,采用带有延时结构的多层前向神经网络作为预测模型,进行非线性广义预测控制.控制算法是基于非线性激励函数的局部线性思想,将预测模型处理成线性和非线性两部分,并用线性预测控制方法求得控制律,简化了计算.仿真结果表明,利用该法建立的永磁同步电机调速系统,具有良好的控制效果.     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。