基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

一种基于BLMS的Volterra级数简化辨识方法

针对Volterra级数辨识中的“维数灾难”问题，提出了一种基于分块最小均方（BLMS）滤波器的简化辨识方法．该方法利用影响指数的概念，在保证一定辨识精度的前提下，根据每个Volterra核函数对辨识结果贡献的大小对其进行筛选，然后用筛选出的有效核函数作为对原系统的近似，从而达到降低辨识维数减少计算量的目的。该方法为克服“维数灾难”，实现在线辨识Volterra级数提供了一个有效解决途径。最后，文中用一个工程实例验证了该算法的有效性。     

非线性系统故障诊断的Volterra模型方法

针对非线性系统的故障诊断问题,系统地总结了基于Volterra级数模型的故障诊断的理论与方法。由于Volterra级数模型可以完全描述非线性系统的传递特性,因而可将其应用于系统的故障诊断,即在系统工作过程中,通过分析故障发生前后Volterra模型中非线性因素的变化来判知系统的故障。在介绍了这一新的故障诊断理论的基本思想后,结合减震弹簧的疲劳诊断,总结了当前的两种主要研究方法,即基于非线性谱分析的故障诊断方法和基于多重预设Volterra模型的故障诊断方法。阐述了这两种方法的工作原理和实现方法,指出了今后在这一方向上需要进一步研究解决的问题。     

基于AP的Volterra级数自适应多重回归及其多步预测应用

为解决时间序列多步预测的高效率、高精度问题,提出一种基于Volterra级数的多重回归仿射投影自适应算法。应用虚假最临近点法算法选择最优嵌入维数,优化模型初始参数。以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式,再利用矩阵求逆引 理递推求取各阶Volterra子系统自相关逆矩阵导出算法,从而实现了对多输入多输出数据样本的建模,采用该模型对Henon映射产生的时间序列进行多步预测实验,结果表明可以对该时间序列进行准确建模和预测,证明了所提模型的有效性。     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

基于KAUTZ模型的预测控制仿真研究

采用Kautz函数逼近来得到未知系统模型,利用带遗忘因子的最小二乘法在线辨识系统模型变化。基于Kautz模型设计了一种自适应预测控制器,并且针对系统投运初期的辨识误差提出了一种衰减因子补偿方法,提高了控制品质。该算法自适应能力强,控制精度高。仿真试验证明了该算法的有效性。     

卫星信道中基于部分解耦的volterra均衡算法

对信道中大功率放大器产生的非线性特性实现快速有效地均衡是提高卫星通信系统性能关键技术之一。文中首先建立了基于volterra级数的卫星信道模型,并分析了信道对二维调制信号所产生的非线性影响;针对基于最小均方误差实现的volterra均衡器收敛速度慢这一问题,提出了基于复基带volterra模型的部分解耦均衡算法,该算法使均衡器线性权系数收敛于线性滤波器最优解,并用拉格朗日乘数法构造了新的代价函数,使均衡器的各阶权系数满足约束,以达到均衡器各阶权系数之间的解耦。仿真结果表明,新算法在保证稳态误差的条件下,其收敛所需迭代次数相对于全耦合的最小均方误差算法从16 000次减小到1 000次。     

小波分频技术和混沌时间序列在国际石油价格预测中的应用

提供了一种小波分频技术结合Volterra自适应滤波器的预测石油价格趋势的方法,先对原始的石 油价格时间序列进行小波分频分析,将分解后的各层尺度系数和细节系数重构各层的时间序列, 然后分别计算各层时间序列的最佳延迟时间和嵌入维数来重构相空间,最终用Volterra自适应滤波器法预测各层时间序列, 重构成预测油价.实验证明该方法比直接混沌时间序列全局预测和一阶局域预测的精度更高,可预测范围更大.     

短时交通流混沌预测方法的比较

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,提出了将Volterra滤波器自适应预测模型用于短时交通流的实时预测。为提高预测精度,在Volterra滤波系数计算过程中采用归一化最小均方自适应算法进行多次训练。应用该预测模型对几个典型的非线性系统进行预测,验证了算法的准确性。然后再用此方法对微观实测交通流的时间序列进行实证分析。仿真结果表明,该预测模型对实测交通流时间序列具有很好的预测效果,可以满足实时交通流预测的需要。     

一种神经网络非线性噪声消除方法

针对阶数的增加,Volterra滤波器的滤波系数个数呈几何级数增长,实现困难的问题,提出采用基于Levenberg-Marquardt(LM)算法的BP神经网络逼近Volterra滤波器,实现神经网络非线性滤波,使计算简化。采用的方法是,先离线调整Volterra滤波器的系数,再用调整好的Volterra滤波器监督训练LM-BP神经网络,然后用训练好的LM-BP神经网络进行非线性自适应滤波。仿真实验结果表明,LM-BP神经网络滤波器较其学习导师———Volterra滤波器具有更好的噪声滤除效果。     

Adaptive control method for nonlinear time-delay processes

Two complex properties,varying time-delay and block-oriented nonlinearity,are very common in chemical engineering processes and not easy to be controlled by routine control methods.Aimed at these two complex properties,a novel adaptive control algorithm the basis of nonlinear OFS(orthonormal functional series) model is proposed.First,the hybrid model which combines OFS and Volterra series is introduced.Then,a stable state feedback strategy is used to construct a nonlinear adaptive control algorithm that can guarantee the closed-loop stability and can track the set point curve without steady-state errors.Finally,control simulations and experiments on a nonlinear process with varying time-delay are presented.A number of experimental results validate the efficiency and superiority of this algorithm.     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。     

识别非线性目标的谐波匹配法

本文运用非线性系统的Volterra理论来研究雷达非线性目标的识别问题,提出了一种新的识别非线性目标的多频谐波匹配法。文中在分析了非线性散射的机理之后,提出了一种结构化逼近散射模型,并以模型中前置系统的本征系数为非线性目标的分类特征,还研究了自动识别过程的数据拟合匹配法。最后利用描述非线性结的唯像模型,对本文的方法作了“半实物”仿真试验研究,具体建立了四种半实物非线性目标的本征系数特征库,并针对贴近度匹配法对识别过程进行仿真试验,结果表明,这种新的识别方法具有良好的工作性能和极强的抗杂波干扰的能力。