基于改进粒子群算法的分数阶系统辨识方法

为获取精确的分数阶系统模型,本文利用惯性权值自适应律来改进基本粒子群算法,基于所改进的粒子群算法提出了一种分数阶系统辨识方法,并选取实际系统与辨识系统的输出误差平方和为目标函数,实现了分数阶模型参数和阶次的同时辨识,适用于成比例和不成比例分数阶系统辨识。仿真结果表明了算法的有效性,辨识结果精度较高。     

分数阶系统的一种频域辨识算法

研究了利用频率响应数据辨识分数阶传递函数的问题.根据分数阶传递函数模型中,公因子阶次和分母系数是非线性参数,而分子系数则是线性参数,给出了一种频域辨识算法:利用模拟退火算法估计公因子阶次和分母系数,相应的分子系数通过求解线性最小二乘问题得到.该算法可以估计出包括公因子阶次在内的所有模型参数.无噪声和有噪声频率响应数据2种情况下的仿真算例验证了算法的有效性.     

一种新的小波方法求解一类分数阶微分方程

通过对第五类Chebyshev多项式进行伸缩平移,构造了第五类Chebyshev小波。利用BlockPulse函数近似第五类Chebyshev小波求得其分数阶积分算子。由第五类Chebyshev多项式的性质证明了该小波级数的收敛性,并给出小波逼近函数的截断误差估计。此外,将第五类Chebyshev小波应用于分数阶微分方程的求解,通过数值算例,验证了该方法的有效性。     

基于Levy算法的IPMC分数阶模型辨识

IPMC是一类被称为人工肌肉的电活性智能材料,在微机电系统、生物医学、仿生机构等领域都具有很好的应用前景。分数阶微积分中微分、积分的阶次可以是分数,能够更精准地描述实际系统的动态响应。为了说明分数阶模型比传统整数阶模型能够更精确的描述具有非整数阶动力学特性的IPMC驱动系统,首先根据IPMC驱动器输入信号与输出响应的实验数据得到实际频率响应伯德图。然后,结合实验数据应用Levy频域辨识算法分别建立了IPMC的整数阶模型和分数阶模型。最后,比较两类模型和实验数据的频域响应伯德图,可见分数阶模型和实验数据的伯德图拟合效果更精确,所以对于具有非整数阶动力学特性的IPMC驱动系统应该使用分数阶模型来描述和研究。     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

分数阶Relaxation-Oscillation方程的一种分数阶预估-校正方法

涉及松弛（Relaxation）和震动（0scmation）基本现象的过程是与物理密切相关；从数学观点来看。众所周知由时间分数阶导数a,0〈a≤1或1〈a≤2来控制的现象。被称之为分数阶松弛或分数阶震动现象．本考虑分数阶Relaxation-Oscillation方程．证明了分数阶Relaxation-Oscillation方程解的存在惟一性，并利用格林函数给出了它的解析解．我们提出一种计算有效的分数阶预估一校正方法，导出了其误差估计．最后给出数值例子．     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

衰减激励条件下确定性系统多新息辨识的收敛性分析

在衰减激励条件下,分析了确定性系统多新息辨识算法的收敛性。得到了如下结果：１）当信息向量φ（ｔ）有界时：（ｉ）衰减指数ε＞１２时,估计误差θ（ｔ）有界,即‖θ（ｔ）‖＝Ｏ（１）或‖θ（ｔ）‖≤Ｍ＜∞;（ｉ）ε＝１２时,θ（ｔ）以１ｔｃ（ｃ＞０）速度收敛于零,即‖θ（ｔ）‖＝Ｏ１ｔｃ;（ｉｉ）０＜ε＜１２时,θ（ｔ）以指数ｅｘｐ（－ｃｔ１－２ε）（ｃ＞０）速度收敛于零,即‖θ（ｔ）‖＝Ｏ（ｅｘｐ（－ｃｔ１－２ε））。２）当φ（ｔ）以ｔμ速度增加（μ＞０）,即φ（ｔ）＝Ｏ（ｔμ）或‖φ（ｔ）‖≤ｃｔμ,ｃ＞０,（ｉ）μ＋ε＞１２时,θ（ｔ）＝Ｏ（１）;（ｉ）μ＋ε＝１２时,θ（ｔ）＝Ｏ１ｔｃ,ｃ＞０;（ｉｉ）μ＋ε＜１２时,θ（ｔ）＝Ｏ（ｅｘｐ（－ｃｔ１－２（μ＋ε）））,ｃ＞０。     

分数阶常微分方程初值问题的高阶近似

对于整数阶常微分方程的数值解法,如欧拉法、线性多步法等都已有较完善的理论.而对于分数阶微分方程数值方法和误差估计的理论研究相对较少.在这篇文章中,我们考虑最简单的分数阶常微分方程,引进了分数阶的线性多步法,导出了分数阶常微分方程初值问题的高阶近似,证明了其方法的相容性和收敛性,并且给出了稳定性分析.最后给出了一些数值例子,证实了这个分数阶线性多步法是解分数阶常微分方程的一个有效方法.     

基于 FORUKF-UKF 的锂电池 SOC 联合估计研究

目的 针对传统卡尔曼滤波算法估算锂电池的荷电状态( SOC) ,其值用 RSOC 准确度不足的问题,提出一种分数阶鲁棒无迹卡尔曼滤波联合无迹卡尔曼滤波 ( FORUKF - UKF) 方法估计锂电池 SOC。 方法 在动态应力测试( DST) 下,采用自适应遗传算法( AGA) 对锂电池分数阶模型( FOM) 进行参数辨识;在 FOM 的基础上将无迹变换(UT) 技术与 H∞ 观测器结合提出 FORUKF 算法,并与 UKF 联合实现 SOC 估计;联合估计器中的 UKF 实时估计电池模型中的欧姆电阻 R0 ,并反馈至 FORUKF 算法中估算得到 SOC;最后在北京动态应力测试( BJDST) 下与拓展卡尔曼滤波( EKF) 、分数阶无迹卡尔曼滤波( FOUKF) 进行比较验证。 结果 在估计 SOC 的过程中 FORUKF-UKF 方法相对于 EKF、FOUKF 和 FORUKF 始终保持了最高的估计精度,展现了更好的鲁棒性。 结论 FORUKF-UKF 方法在估计锂电池 SOC 方面比 EKF、FOUKF 和 FORUKF 算法具备更好的准确性和鲁棒性。     

广义分式规划Dinkelbach型算法的推广

就一类目标函数中有无限个分式的广义分式规划问题,在已有的相应的D inkelbach型算法的基础上作了进一步的推广,使其成为一簇算法;讨论了一个参数规划的性质和该簇算法的收敛性.结果表明:改进的D inkelbach型算法是该簇算法的一个特例,并且该簇算法在每次迭代时参数的取法有很大的灵活性,因而在求解时可允许有较大的误差而无损于相应的收敛速度.     

用分数阶高阶近似法解非线性分数阶常微分方程组

考虑非线性分数阶常微分方程组,利用Riemann-Liouville分数阶导数的高阶近似,建立分数阶微分方程组的高阶差分格式,并证明了该方法的相容性、收敛性和稳定性.最后给出数值例子,证实了分数阶高阶近似法是解非线性分数阶常微分方程组的有效方法.     

时间-空间分数阶对流扩散方程的有限差分解法

通过对空间分数阶导数采用修正的Grunwaid有限差分逼近,给出了数值求解时间-空间分数阶导数对流扩散方程的一种隐式差分格式.证明了格式的兼容性、无条件稳定性及一阶收敛性,并给出了数值算例.     

基于粒子群优化算法的的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。本文针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用PSO求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。     

广义分式规划Dinkelbach型算法的改进

在紧集情况下 ,在讨论了广义分式规划问题的Dinkelbach型算法的基础上 ,提出了改进的Dinkelbach型算法 ,结果表明 ,该算法比现有的算法更简单 ,具有更好的收敛性     

时间分数阶变系数对流扩散方程的数值解法

对流扩散方程的研究大多在常系数或者整数阶的范围之内,为了更加精确地描述溶质的运动特征,将传统的整数阶对流扩散方程推广到分数阶变系数的情形。主要研究了变系数Caputo分数阶对流扩散方程的有限差分解法。引入半整数点,在空间网格上进行对偶剖分,再通过有限差分方法离散了空间导数。 理论分析可以说明,本文所提出的离散格式,其解是存在并且唯一的,收敛精度为ο(τ+h),一维数值算例验证出理论分析的准确性。     

Riesz空间分布阶的分数阶扩散方程的数值模拟

提出一种求解Riesz空间分布阶的分数阶扩散方程的数值方法。利用辛普森数值求积公式,将分布阶微分方程离散为一个多项分数阶导数的微分方程;利用四阶差分格式求解此具有多项分数阶导数的微分方程,并运用能量法分析数值格式的稳定性和收敛性。同时,给出数值例子,说明所建立的数值离散格式的有效性。     

时间分数阶扩散方程的隐式差分近似

考虑时间分数阶扩散方程,它是从标准的扩散方程中用分数阶导数α(0α1)代替一阶时间导数而得到,提出了一个计算有效的隐式差分近似,并证明了这个隐式差分近似是无条件稳定和无条件收敛的。最后给出了数值例子。