甘油连续生物歧化过程的参数辨识与非线性分析

为了给出能够较好描述甘油连续生物歧化为1,3-丙二醇过程的数学模型以及模型的非线性特性，研究了其参数辨识与非线性分析问题.首先，建立了甘油连续歧化过程的GMA-系统，给出了以模型的计算值与实验测量值误差最小为优化目标、以甘油连续发酵过程的稳态条件为约束的参数辨识优化问题.采用序列二次规划算法，获得了相应动力学系统的最优参数值.结果表明，构建的GMA-系统的参数辨识优化模型能够得到更准确的参数值.其次，将辨识出的参数结果代入到甘油连续歧化过程的GMA-系统中，进行了平衡点计算与稳定性分析等.采用符号化实根隔离法求解了系统的平衡点，依据几乎线性系统的稳定性理论研究了平衡点的稳定性.     

改进遗传规划算法在系统辨识中的应用

为了解决工业过程中数据丰富但机理不完全可知的非线性动态系统建模问题,提出了一种改进的遗传规划算法,以辨识模型结构和参数.该算法首先基于多层次辨识和反馈的基本思想,对系统进行多次辨识,直到把辨识误差缩小到可接受的范围;然后,采用最小二乘法估测模型参数,避免优良模型结构因低劣参数而被淘汰;最后,实施M估计技术,削弱强噪声对建模的影响,增强模型泛化能力.针对满足Lotka-Volterra方程的非线性动态系统进行建模仿真,试验结果表明该算法能较好地辨识满足Lotka-Volterra方程的一类非线性动态系统.     

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.     

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。     

一类非线性系统迭代优化神经网络控制器

提出了一类非线性系统迭代优化神经网络控制器的设计方法,该是在正向神经网络辨识模型的基础上,应用迭代学习方法进行控制器设计。为了补偿辨识和迭代学习误差,给出了通过引入了反馈补偿控制器控制精度的方法,仿真结果证明了该方法的有效性。     

电液伺服系统多模型鲁棒自适应控制

针对电液伺服系统中存在不确定非线性和强参数不确定性的问题,提出一种多模型鲁棒自适应控制算法。根据系统参数不确定性范围建立了多个辨识模型,在辨识模型中设计非线性鲁棒项,以抑制干扰、未建模动态等不确定非线性的影响,提高系统的鲁棒性。基于辨识模型设计相应的控制器,采用基于辨识误差的性能指标函数作为切换依据,选取最佳控制器作为当前控制器,解决了传统自适应控制对参数自适应初值敏感的问题。该方法能够克服不确定非线性和强参数不确定性的影响,使系统得到渐进跟踪的性能,提高系统的瞬态响应性能。实验结果表明,该算法能抑制建模不确定性的影响,系统期望跟踪指令幅值为10mm时,跟踪误差大约为0.038 6mm,相对跟踪误差约为0.386%,系统跟踪精度得到了提高。     

制冷系统蒸发器动态过程数学模型模糊辨识

建立制冷系统动态过程数学模型是实现制冷装置优化控制的重要基础.制冷蒸发器是一类过程复杂的两相流动与换热系统,具有明显的非线性和不确定性,其精确的机理模型难以建立.该文通过熵方法和竞争学习算法对输入空间进行聚类,利用递推最小二乘辨识算法(RLS)确定模型的结论参数,实现了蒸发器动态过程数学模型的在线模糊辨识.通过仿真实例,验证了模糊辨识方法对于制冷系统蒸发器在线建模过程的有效性,所建立的模糊规则模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力.     

甘油间歇生物歧化非线性系统的参数辨识

研究了甘油间歇生物歧化非线性系统的参数辨识问题.针对甘油间歇生物歧化过程的非线性常微分方程系统,首先给出了以代谢物浓度误差与斜率误差之和为优化目标、以甘油间歇生物歧化过程的非线性常微分方程系统为约束的参数辨识动态优化问题;然后基于改进的欧拉法将动态优化问题中的常微分方程组近似表示为代数方程组,从而可将原动态优化问题转化为非线性规划问题;最后利用粒子群算法求解得到的非线性规划问题.与已有文献相比,本文获得了更好的参数辨识结果,为构建甘油间歇生物歧化过程的非线性系统提供理论指导.     

固定翼飞机动力学模型的子空间辨识方法

针对子空间模型辨识(SMI)方法这类线性模型辨识技术存在的建模误差,提出一种两阶段固定翼飞机飞行动力学模型辨识方法.首先采用基于辅助变量的闭环SMI方法辨识飞机的近似线性模型;然后,利用该模型构建扩张状态观测器,从而估计出系统中的非线性动态数据;在此基础上,进一步采用神经网络建立系统非线性动态的分散式模型.最后,利用B747飞机6自由度非线性模型进行系统辨识实验,所得结果验证了该方法的有效性.     

采用非线性最小二乘法的超级电容等效电路模型参数辨识

针对电动汽车混合储能系统中超级电容在传统模型参数辨识中误差较大、不利于估计其工作状态和进行系统能量管理的问题,提出了一种采用非线性最小二乘法的等效电路模型参数辨识方法。为了精确表征超级电容内部电荷再分配过程及其端电压特性,减小模型误差,该方法首先在超级电容三分支等效电路模型的基础上,分析超级电容充、放电过程中内部的电荷再分配过程;然后,利用粒子群算法分段辨识得到模型参数初值;最后,在所得模型参数初值的基础上采用基于信赖域的非线性最小二乘法对模型参数进行优化。采用超级电容进行多组恒流充、放电实验,结果表明,在不同充、放电条件下,模型计算的端电压与对应实验测试端电压的平均绝对百分误差均在0.5%以内,由此验证了基于非线性最小二乘法参数辨识的有效性和准确性。     

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.     

基于ＳＯＲＡ 的多学科协同优化可靠性优化方法

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.     

基于差分进化与RBF神经网络的热工过程辨识

针对热工过程的非线性辨识问题,提出了一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型设计方法.该方法将DE算法的种群分解为几组并行的子种群,每组子种群对应于一类隐节点数相同的RBF网络.在RBFNN的学习过程中进行多子种群并行优化,从而实现RBF网络结构与参数的同时调整.算法可以利用热工对象的输入输出数据,自动设计出满足误差精度要求且结构较小的RBFNN模型.然后将该算法应用于热工对象的辨识,对于单输入单输出系统,得到的RBFNN模型只需1个隐节点.对于多输入单输出系统,RBF网络也仅需较少的隐层节点.仿真结果表明,用该方法设计的RBFNN模型结构简单,且辨识误差小,具有较好的泛化能力.     

HaTmerstein模型的稳态辨识方法--MIMO情形

本文针对用Hammerstein模型描述的一类MIMO非线性系统,提出了一种稳态参数估计的辨识方法.此方法具有在稳态状态下取值,参数辨识简单、精确等优点.数字仿真结果说明了该方法的有效性和实用性.     

一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

一类复杂系统的集成辨识方法

针对一类具有相互关联非线性子系统的复杂系统,提出了一种稳态辨识与动态辨识相结合的集成辨识方法。利用稳态信息获取各子系统稳态模型（非线性增益）的强一致性估计,通过动态辨识得到各子系统线性部分的模型参数。仿真结果表明了该方法的有效性和实用性。     

基于模糊竞争学习的模糊模型一体化辨识

提出了一种利用MGS(modified Gram-Schmidt)算法建立非线性系统模型的建模方法,并给出了基于MGS算法的模型结构和参数辨识的一体化方法,即利用MGS正交变换对通过模糊竞争学习的聚类结果进行变换,确定对模型贡献大的规则,删除对模型贡献小的规则,同时对模型中的参数进行估计,实现模糊模型结构和参数的优化.仿真结果表明,提出的方法能够对非线性系统进行模糊建模.     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

一类不确定非线性系统基于SVR的Backstepping自适应跟踪控制

针对含有不确定非线性扰动项的一类非线性系统,结合支持向量回归理论,采用Backstep-ping控制方法设计自适应非线性控制器.在分析满足Backstepping设计条件的一类非线性系统结构形式的基础上,应用支持向量回归辨识并补偿系统不确定项及未知扰动,基于Lyapunov稳定性理论,选取Lyapunov函数,证明闭环系统最终一致有界,且跟踪误差指数收敛.通过对典型系统仿真分析表明,相比于径向基神经网络自适应Backstepping控制方案,支持向量回归因其内部参数由训练优化产生,不依赖先验经验及外界干预,适应性较好,对参考指令信号跟踪收敛快,稳态误差小,控制方案有效,且系统具有一定鲁棒性.