宏观交通流模型的自适应迭代学习辨识策略

城市路网交通流系统具有很强的随机性和时变性，单一固定的交通流模型难以准确地描述城市路网的实际运行情况，在考虑交通流稳态和动态特性的基础上，提出了一种含有未知时变多参数的非线性宏观交通流模型，并针对交通流固有的重复性特征，设计了一种时变多参数的自适应迭代学习辨识策略。在有限时间区间内，利用迭代学习辨识策略将参数辨识问题转化为最优跟踪控制问题，使交叉口各进口道的排队车辆数均趋于真实值，利用去伪算法的实时自适应能力调整迭代学习辨识策略的学习律增益，提高辨识策略的抗干扰能力。通过严格的数学理论推导证明了该算法的收敛性，最后采用基于模型的控制方法进行仿真实验，进一步验证了该方法的有效性。     

不确定机械臂的组合自适应迭代学习轨迹跟踪

针对一类同时含未知时变和未知定常参数、并带有可重复时变干扰的不确定机械臂系统,为精确跟踪期望轨迹并加快跟踪误差的收敛速度,提出了一种具有抗扰能力的机械臂组合自适应迭代学习控制算法.对未知定常参数和未知时变参数,分别采用时域和迭代域的参数自适应迭代学习律,并基于估计参数设计了机械臂的自适应迭代学习轨迹跟踪控制律.利用相似李亚普诺夫函数证明了轨迹跟踪误差的收敛性.针对二自由度关节式机械臂的仿真结果表明,应用所提算法可实现精确的轨迹跟踪,并加快迭代学习的收敛速度.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

一类参数周期未知的自适应广义投影同步

针对一类时变参数周期未知的自适应广义投影同步问题,提出了基于切换逻辑的周期辨识算法.该算法首先假定已知时变参数周期,设计控制器和时变参数自适应律.然后设计合理的切换逻辑,通过判定相邻两次迭代的平均误差定位时变参数周期范围,再通过累积跟踪误差定位时变参数周期,最终完成两个混沌系统的投影同步.通过构造Lyapunov-Krasovskii泛函,证明了系统的跟踪误差收敛于零,而且保证所有信号均有界.仿真结果说明了算法的有效性.     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

基于加速收敛与递阶迭代的多变量系统辨识算法

根据递阶辨识原理和迭代辨识原理,可以实现多变量系统参数的准确辨识,但是其参数的收敛速度有待提高。该文针对参数的收敛性进行研究,提出了基于加速收敛技术的辨识方法。该方法根据递阶辨识原理将多变量系统分解成2个子系统,使其分别含有参数向量和参数矩阵,再根据迭代辨识原理得到参数的迭代解,并应用加速收敛技术进行加速。仿真实验表明:该方法可以得到很好的辨识结果,加速收敛技术的应用显著提高了参数的收敛速度。     

基于改进粒子群算法的轮胎模型参数两级辨识

为提高PAC89(Pacejka'89 tyre model)轮胎模型的辨识速度和辨识精度,采用加入自适应权重和自然选择性的粒子群算法,并将PAC89轮胎模型参数分为两级,依次进行辨识.以轮胎模型侧偏力曲线的辨识为例,轮胎模型中的刚度因子、形状因子、峰值因子、曲率因子、垂直和水平偏移率为一级参数,通过改进粒子群算法进行一级辨识得到;组成上述因子的特性参数为二级参数,通过改进粒子群算法进行二级辨识得到.一级辨识收敛时的迭代次数小于40,二级辨识收敛时的、迭代次数在100左右,通过实验数据与辨识模型的对比得出平均相对残差为1.6961％.辨识结果表明,采用改进粒子群算法分两级对PAC89轮胎模型进行辨识的方法,能够在保证模型精度的同时提高辨识速度,是一种有效的多参数辨识方法.     

非均匀采样Hammerstein系统的梯度迭代辨识算法

为了解决Hammerstein非线性系统在非均匀采样条件下的辨识问题,该文提出了1种能够用于在线参数估计的梯度迭代算法。通过引入时变后移算子,推导了非均匀采样Hammerstein系统的离散时间模型。采用关键项分离技术将系统参数化为1个线性回归模型。基于辅助模型辨识思想对未知中间变量进行重构,并利用负梯度搜索原理获得模型参数的迭代估计。仿真结果表明,该文方法是有效的,且比辅助模型随机梯度算法具有更快的收敛速度,参数估计精度提高近40倍。     

基于自适应种群小生境算法的非线性系统辨识

针对传统神经网络非线性系统辨识算法存在收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题,提出自适应小生境PSO非线性系统辨识方法。改进算法融合分层递阶算法和小生境PSO算法思想,联合优化网络结构及初始化参数,引入自适应灾变因子提高寻优精度。仿真实验表明,改进算法可提高辨识精度和收敛速度,能有效避免早熟现象,并可显著提高大空间、多峰值函数寻优效率。     

基于模型参考自适应系统的电磁轴承支承转子不平衡量辨识及振动抑制

针对电磁轴承支承转子质量不平衡引起的同频振动问题，提出了一种基于模型参考自适应系统(model reference adaptive systems, MRAS)的转子不平衡量辨识与在线补偿相结合的算法，该算法鲁棒性强且能够有效简化控制器结构。针对转子在两个轴承平面内的等效不平衡量，提出了基于模型参考自适应的不平衡量辨识算法，根据Popov超稳定性理论进行自适应律设计并通过设计相位补偿角保证辨识算法在全转速范围内的稳定性；针对模型误差和复杂工况带来的系统参数变化，根据辨识结果生成补偿电流的初始值，并利用同样的模型参考自适应算法对补偿电流进行在线微调，从而在保证补偿精度的前提下大大提高了算法的收敛速度。仿真分析和实验研究结果表明：所提算法能够使两端轴承处的转子振幅在0.2 s内迅速衰减并保持稳定，对振动位移中的转速同频分量抑制效果达到90%以上，且能够自适应转速的变化。所提算法能快速准确地抑制不平衡所引起的转子振动，可满足多种场合下对转子高回转精度的要求。