基于粒子群优化的Wiener模型辨识与实例研究

针对一类工业过程中可描述成Wiener模型的非线性系统,其辨识问题可等价成以估计参数为优化变量的非线性极小值优化问题．利用粒子群优化(PSO)算法在整个参数空间内并行搜索获得极小值优化问题的最优解(Wiener模型的最优估计),通过对粒子的迭代轨迹进行分析,改进了PSO算法中惯性权重和学习因子的选择．通过一个Wiener模型的数值仿真验证了本文提出的辨识方法的有效性和实用性,并将该方法应用在连续退火机组加热炉产品质量模型的辨识研究,取得了满意的辨识效果．     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.本文利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力。     

基于进化粒子群优化的非线性系统辨识

为解决复杂非线性系统的辨识问题,提出了一种基于进化粒子群优化算法的非线性系统辨识方法.在标准粒子群优化算法的基础上引入一种进化策略, 增加粒子的多样性.在算法迭代寻优的过程中, 通过对群体中的粒子进行选择、变异等进化操作, 构造进化粒子群优化算法, 提高算法的全局搜索能力.将非线性系统辨识问题转化为非线性连续域优化问题, 利用进化粒子群优化算法进行并行、高效搜索, 以获得该优化问题的解.通过对多输入单输出的Wiener-Hammerstein模型进行辨识, 验证了该方法的正确性和可行性.     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

基于混合生物地理学算法的非线性系统辨识

针对非线性系统辨识问题,由于传统辨识方法存在精度低收敛慢等缺点,提出了一种采用混合生物地理学算法的非线性系统辨识方法.混合算法是在对生物地理学算法进行改进的基础上与差分进化算法相结合,通过适当地融合具有不同搜索能力的优化算法,使得混合算法的开采能力和探索能力得到更好的增强和平衡.通过对Wiener模型进行参数辨识,并与生物地理学算法和差分进化算法进行比较,仿真结果表明,利用混合生物地理学算法能够提高辨识精度并获得良好的辨识效果,验证了混合算法的有效性和可行性.     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

热工系统Hammerstein-Wiener模型辨识

热工系统中的很多生产环节是非线性时滞系统,其辨识问题一直是制约热工系统发展的关键问题.Hammerstein-Wiener模型是Hammerstein模型和Wiener模型的复合模型,可以较好地表达生产系统的动态特性和静态特性.将Hammerstein-Wiener模型辨识方法应用于热工系统的辨识中,非线性部分用多项式表示,线性部分用差分方程表示.用粒子群算法将模型的辨识问题转化为参数空间上的寻优问题,求得该模型的待定参数在参数空间上的最优解.一系列仿真的结果表明,基于粒子群算法的Hammerstein-Wiener模型在热工系统的辨识中有深远的实践意义.     

一种基于Wiener模型的非线性预测控制算法

针对一类Wiener模型描述的非线性系统,提出了一种改进的非线性预测控制算法.该算法利用Laguerre函数描述Wiener模型动态线性部分的控制信号，将预测控制中在预测时域内优化求解未来控制输入序列转化为优化求解一组无记忆的Laguerre系数,以减少优化所需的计算量.利用静态模糊模型来逼近Wiener模型的非线性部分,将非线性预测控制优化问题转化为线性预测控制优化问题,克服了求控制输入时解非线性方程的困难,进而推导出了预测控制输入的解析式.CSTR过程的仿真结果表明了本文算法的有效性和可行性.     

Identification of wiener model with discontinuous nonlinearities using differential evolution

This paper deals with the identification of Wiener models with discontinuous nonlinearities. The identification of the Wiener model is formulated as an optimization problem. Differential evolution algorithm, a powerful and robust evolutionary algorithm, is used to search the optimal parameter of the Wiener model such that the error between the output of true model and that of the identified model is minimized. The proposed method can identify the parameters of linear dynamic subsystems and static nonlinear function of the Wiener model simultaneously, and overcome the difficulty of unavailability of the intermediated signal. Two application examples verify that the proposed method can accurately estimate the parameters of the Wiener model even in a low SNR environment.     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

Correlation analysis method based SISO neuro-fuzzy Wiener model

A novel identification algorithm for neuro-fuzzy based single-input-single-output (SISO) Wiener model with colored noises is presented in this paper. The separable signal is adopted to identify the Wiener model, leading to the identification problem of the linear part separated from nonlinear counterpart. Then, the correlation analysis method can be employed for identification of linear part. Moreover, in the presence of random signal, the least square method based parameters estimation algorithm of static nonlinear part are proposed to avoid the impact of colored noise. As a result, proposed method can circumvent the problem of initialization and convergence of the model parameters encountered by the existing iterative algorithms used for identification of Wiener model. Examples are used to verify the effectiveness of the proposed method.     

Identification of IIR Wiener systems with spline nonlinearities that have variable knots

An algorithm is developed for the identification of Wiener systems, linear dynamic elements followed by static nonlinearities. In this case, the linear element is modeled using a recursive digital filter, while the static nonlinearity is represented by a spline of arbitrary but fixed degree. The primary contribution in this note is the use of variable knot splines, which allow for the use of splines with relatively few knot points, in the context of Wiener system identification. The model output is shown to be nonlinear in the filter parameters and in the knot points, but linear in the remaining spline parameters. Thus, a separable least squares algorithm is used to estimate the model parameters. Monte-Carlo simulations are used to compare the performance of the algorithm identifying models with linear and cubic spline nonlinearities, with a similar technique using polynomial nonlinearities.     

一种含控制滞后的Wiener模型的辨识方法

研究了含控制滞后Ｗｉｅｎｅｒ模型的辨识．在一定条件下，这一模型满足一组回归函数．利用Ｆｏｕｒｉｅｒ级数部分和可以求得回归函数在若干点上的估计．基于这些估计值可以决定控制滞后步数，进而辨识线性子系统和非线性映射的参数．仿真结果说明了算法的有效性     

PSO算法在非线性回归模型参数估计中的应用

非线性回归模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对6种非线性回归模型的参数估计进行了验证。实验结果表明：粒子群优化算法是一种有效的参数估计方法。     

Identification of Wiener–Hammerstein benchmark model via rank minimization

In this paper, a Wiener–Hammerstein system identification problem is formulated as a semidefinite programming (SDP) problem which provides a sub-optimal solution for a rank minimization problem. In the proposed identification method, the first linear dynamic system, the static nonlinear function, and the second linear dynamic system are parameterized as an FIR model, a polynomial function, and a rational transfer function respectively. Subsequently the optimization problem is formulated by using the over-parameterization technique and an iterative approach is proposed to update two unmeasurable intermediate signals. For the modeling of static nonlinearity, the monotonically non-deceasing condition was applied to limit the number of possible selections for intermediate signals. At each step of iteration, the over-parametrized parameters are estimated and then system parameters are separated by using a singular value decomposition (SVD). The proposed method is applied to the benchmark problem and the estimation result shows the effectiveness of the proposed algorithm.