一类非均匀采样系统最小二乘迭代辨识

阐述了非均匀多率采样方案,利用提升技术推导出非均匀多率采样系统的提升状态空间模型,进一步获得了对应的输入输出表达.针对辨识模型信息向量中存在未知中间变量的困难,基于交互估计理论与迭代搜索原理,提出了非均匀多率系统的最小二乘迭代辨识方法.最后进了仿真比较研究,以说明提出算法的优点.     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.     

ARMA模型辨识及其在光纤陀螺漂移建模中的应用

针对含有噪声的时间序列模型辨识精度低的问题,采用自回归函数的衰减正弦曲线方法估计含有噪声的ARMA模型系统参数,AR参数从衰减正弦曲线直接获得,MA参数估计采用相关匹配技术.仿真结果表明,时于具有不同信噪比噪声干扰的系统,该算法具有良好的收敛性和准确性.在此基础上,将该方法应用到光纤陀螺漂移误差建模中,实验结果表明,采用该算法所确定的模型能够精确的反应光纤陀螺的漂移趋势.     

滞空状态下超小型旋翼机系统的姿态模型辨识

采用机理分析和系统辨识相结合的方法,以直升机机体和伺服小翼的力矩平衡方程为基础,根据滞空状态的特性,建立含有未知参数的超小型旋翼无人机姿态模型,由飞行数据采用预测误差法(PEM)对上述姿态模型进行了辨识,从而得到了完整的滞空状态下超小型旋翼机系统的姿态模型,最后验证了辨识模型的正确性。     

一种非线性系统多项式逼近的建模方法

提出一种简便的非线性多项式逼近建模方法。对非线性系统,首先,利用拓扑同胚变换,将系统的有界输入输出数据变换为[0,1]范围之间的数据,然后选定初始多项式,对初始多项式模型反复利用递推最小二乘法进行参数辨识,通过比较项与参数乘积绝对值的大小,剔除多项式中对模型贡献较小的项,直到得到确定的多项式模型,大量的仿真结果表明了算法的有效性。     

辨识智能作动器中迟滞非线性的两种方法

智能化是当今世界的发展趋势。智能材料结构作为研究热点之一,应用于航空、航天、生物及医药等诸多领域。智能作动器与智能传感器是智能材料结构的两个主要研究方向。迟滞现象是存在于大量智能材料中的非线性现象,对整个控制系统可能带来不良影响,如稳定性的恶化甚至丧失等。Preisach模型常用于智能材料中针对迟滞现象的建模。基于一阶滞回曲线获得智能作动器的输入输出数据,从理论上研究了经典Preisach模型两种工程上易实现的辨识方法,并应用到一种真实的智能作动器——WIDS-IA压电型作动器,仿真与实验结果表明,两种辨识方法均有效,且误差在同一数量级。为广泛存在迟滞非线性的智能作动器建模提供了理论依据,并具有工程实用价值。     

基于神经网络的舰船全磁场部位识别

利用人工神经网络将舰船磁场的三个分量进行序贯融合处理 ,从而进行对舰船关键部位的精确识别 ,给出了处理方法及检验结果 ,并分析了提高网络推广性能的措施。     

基于线谱特征的水下目标识别仿真实验研究

水下目标识别技术是世界各国十分重视的研究课题之一,在国民经济尤其在军事领域中,具有重要的应用价值。船舶辐射噪声中有着很强的线谱成份,这些成份分类或识别往往是非常有价值的。因此,利用线谱特征对舰船目标进行识别是水声领域研究的重要内容。本文在研究舰船辐射噪声线谱提取逄法的基础上,对多种型号和多种工况的大量噪声样本,进行了线谱提取。针对舰船辐射噪声线谱分布的特殊性,提出了筛选法和模糊推理分类法。利用这些     

非线性系统的模糊辨识在线算法

在以往的模糊辨识方法中,均未给出在线调整非线性系统的模糊辨识算法。基于递推模糊聚类方法,提出了一种在线调节模糊模型的辨识算法。为了验证所提出方法的有效性,对几个非线性系统进行了辨识,最后给出了辨识结果。     

基于时空特征融合的飞机尾涡识别

为了实现动态尾流缩减技术,减少进近阶段前机尾流对后机飞行安全的影响。依据相干激光雷达(coherent Doppler lidar, CDL)扫描风场循环周期性特点,提出一种基于时空特征融合的飞机尾涡识别模型。首先,CDL扫描生成的径向速度风场转换成序列输入和块输入。然后,双向长短时记忆(bidirectional long short-term memory, Bi-LSTM)网络用于提取序列输入的时间域特征,卷积神经网络(convolutional neural network, CNN)网络用于提取径向速度风场块输入的空间域特征。最后,将融合的时间域和空间域特征输入全连接层分类器,得到最终分类识别结果。实验团队在深圳宝安机场附近采集风场,并构建尾流数据集来验证所提得融合模型。结果表明：基于CNN和Bi-LSTM时空特征融合模型具有较好的分类性能,在尾涡识别上的准确率、召回率、F₁分数分别达到97.13%、97.50%、97.03%,且相比单一模型是一种更有效的识别方式,能够获得实时高效尾流预警。