基于MRAS变参数无速度传感器矢量控制系统的研究

利用电动机定子电压方程和电流方程得到电动机转速的模型参考自适应（MRAS）辨识算法，在此基础上建立了一个改进的变参数MRAS速度辨识数学模型，并在无速度传感器异步电动机矢量控制系统中对该速度辨识模型进行了研究，仿真结果验证了该变参数MRAS速度辨识模型具有满意的辨识精度和动态性能．     

双率Hammerstein系统的极大似然递推辨识

针对一类双率Hammerstien系统的参数辨识问题,基于辅助模型辨识思想,利用极大似然原理和递推辨识技术,提出一种极大似然递推辨识算法.主要方法是针对模型中的未知输出构造一个辅助模型,用辅助模型的输出预测未知输出.该方法可以直接基于双率输入输出数据进行参数辨识.仿真实验表明,所提出的算法能有效地辨识双率Hammers...     

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Fibonacci数列的变步长相关分析辨识算法

相关分析辨识算法在工程上是一种常用的参数辨识算法,文章在介绍该算法基本原理的基础上,将Fibonacci数列引入该算法,并在算法中采用基于修正的Fibonacci数列的变步长方法寻优模型参数。仿真结果表明,寻优的收敛速度明显加快。     

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。     

系统辨识的粒子群优化方法

研究了一种基于粒子群优化算法对系统进行辨识的新方法.该方法的基本思想是将典型数学模型相互组合而构成系统模型,即首先将系统结构辨识问题转化为组合优化问题,然后利用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步提高粒子群优化算法的辨识性能,提出了一种改进的粒子群优化算法.仿真结果表明,给出的辨识算法是合理的,虽然扰动对算法的性能以及辨识结果有一定的影响,但利用文中所提出的改进粒子群优化算法仍然可以理想地辨识出系统的结构以及模型的参数,且与已有辨识算法相比更加有效.     

一类鲁棒辨识算法的研究

提出了一种新的基本参数模型估计的辨识算法,该算法不仅辨识出一个参数点还辨识出每个参数的误差界。它将噪声界代入辨识,并在辨识过程中依据误差,动态修正辨识收敛速率及方向,以期获得满意的辨识性能。     

改进Simpson积分法在捕食模型参数辨识中的应用

生产和科研中经常需要高精度地确定模型的参数,为此推导出了改进的变步长Simpson数值积分公式,并结合灰色系统理论,提出了一种模型参数灰色辨识的数学模型。采用此方法对捕食模型中的参数进行了辨识仿真,结果表明,基于变步长Simpson数值积分公式的灰色辨识方法在处理非等时间间隔以及数据波动性较大的参数辨识问题时稳定性较好,可满足高精度辨识模型参数的要求。     

一种改进的FLS-SVM分类辨识模型及其应用

采用三角形函数隶属度法确定模糊最小二乘支持向量机(fuzzy least squares support vector machine,FLS-SVM)输入参数隶属度,采用自适应变尺度混沌免疫算法优化FLS-SVM的参数,从而构建改进模糊最小二乘支持向量机(improved fuzzy least squares support vector machines,IFLS-SVM)分类辨识模型,用Ripley数据集、MONK数据集和PIMA数据集进行仿真实验,并用于地下金属矿山采场信号分类辨识与中国国际贸易安全分类辨识。研究结果表明:与LS-SVM分类辨识模型和FLS-SVM分类辨识模型相比,IFLS-SVM分类辨识模型能有效提高带噪声点和异常点数据集的分类精度,且分类辨识精度相对误差较小。     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

基于果蝇优化算法的船舶操纵响应模型的辨识

应用果蝇优化算法对船舶操纵运动响应模型的结构参数进行辨识,并用辨识得到的响应模型进行自航模变Z形试验预报.预报结果与自航模试验结果的对比验证了所提算法的有效性.研究结果表明,基于果蝇优化算法的参数辨识方法具有算法设置简单、调整参数少以及不易陷入局部极小值等优点.     

T-S模糊模型的一种简单辨识算法

讨论了T-S模糊模型的辨识问题,以直线作为数据分类的目标,提出了一种改进的简单辨识算法.首先采用Hough变换,根据给定的输入输出数据,得到了模型后件部分的直线方程,并辨识出结论参数,然后依照得到的直线对输入数据进行分类.考虑输入数据与相应直线的接近程度,以及邻近直线对输入数据的影响程度,辨识出了模型的前件参数.本算法不需要对数据的循环计算,从而大大减少了计算量.仿真例子说明了本算法对T-S模糊模型辨识的有效性.     

多变量ARX-like系统的递阶最小二乘估计

利用Kronecker积,推导出多变量ARX-like随机系统的辨识模型,使用递阶辨识原理研制了一个递阶最小二乘参数估计算法.提出的递阶最小二乘算法比现存递推最小二乘算法计算量小.给出了为仿真例子.     

CARMA模型的多新息增广随机梯度辨识算法

将多新息辨识理论用于研究CARMA模型参数辨识问题,通过把标量新息扩展为向量新患,即多新息,得出相应的多新息增广随机梯度辨识算法.仿真结果验证了提出算法的有效性.     

自回归模型的多新息随机梯度和多新息最小二乘辨识方法

将多新息辨识理论用于研究自回归模型的参数辨识问题,通过把标量新息扩展为向量新息(即多新患),扩展信患向量到信患矩阵和构成堆积系统输出,从而提出了自回归模型的多新息随机梯度辨识算法和多新息最小二乘辨识算法.仿真结果验证了提出算法的有效性.     

一种广义预测控制直接算法

基于灰色模型GM（1，2）采用两个辨识器分别辨识被控对象和闭环系统的参数，从而得到了控制器的参数，给出了一种广义预测控制的直接算法。由于此方法将被控对象视为灰色系统，需辨识的参数较基于CARIMA或CARMA模型的广义预测控制直接算法大大减少，实时性进一步提高。仿真结果表明，该方法是有效可行的。     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

基于APSO算法的参数辨识与优化

将自适应粒子群优化（APSO）算法应用在系统辨识和参数优化中,定性地分析系统参数空间范围,把系统辨识和参数优化问题转化为参数空间寻优,利用APSO算法在寻优过程中有效避免局部最优的特点,在整个参数空间内并行寻找获得系统参数的最优解。通过对多种模型的仿真实验研究表明,APSO算法在系统辨识和参数优化问题中优于原有的GA和PSO方法。     

两电机变频调速系统的改进RLS逆模型辨识

为弥补现有两电机变频调速系统逆模型辨识中存在的不足,提出一种多模型LSSVM逆模型辨识方案.依据多模型思想,利用LSSVM拟合系统局部逆模型中的非线性映射,将各局部逆模型加权输出,建立离线初始逆模型.根据逆模型输出与系统输入的偏差,通过改进的RLS算法自适应调整局部逆模型权值,对初始逆模型在线校正,使其适应对象的变化,提高辨识精度和收敛速度.分析了两电机变频调速系统及可逆性,阐述了改进的RLS算法和LSSVM算法,给出了多模型LSSVM辨识方案的实现步骤,并对辨识效果进行了仿真试验.仿真结果表明,新型辨识方案是可行有效的,适用于两电机变频调速系统的逆模型辨识.