神经网络在锅炉燃烧系统辨识中的应用

对典型的多输入多输出、非线性、动态、有时延的供暖锅炉进行了仿真研究,建立了基于动态BP网络和Elman网络的辨识模型,并对辨识结果进行了误差分析,结果表明：神经网络在锅炉燃烧系统具有比较高的辨识精度,有着广阔的应用前景。     

输入非线性方程误差系统的多新息辨识方法

针对输入非线性方程误差系统,即输入非线性受控自回归系统,研究了基于过参数化模型的多新息辨识方法和基于过参数化模型的递阶多新息辨识方法;研究了基于关键项分离原理的多新息辨识方法;使用辨识模型分解技术,研究了基于关键项分离原理的两阶段多新息辨识方法和三阶段多新息辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算量、计算步骤和流程图.     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.     

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法，即改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于Laguerre-Fuzzy Hammerstein模型的增压锅炉非线性预测控制

增压锅炉燃烧系统具有强非线性、大滞后、参数时变和不确定性,传统的控制方法很难取得较好的控制效果。Laguerre滤波网络能够以较低的模型阶次逼近系统线性特性,且无需知道系统的滞后时间;Fuzzy模型能够有效描述系统的非线性及不确定性。提出了基于Laguerre-Fuzzy Hammerstein模型的非线性预测控制器并应用于增压锅炉燃烧系统控制器设计中。仿真结果表明:在变负荷情况下,本文提出的控制器能够有效控制过热蒸汽压力迅速稳定在设定值;与单输入预测控制器相比,该控制器综合考虑了两非线性变量带来的影响,且有效地避免了因系统变迟延和不确定性带来的影响,证明了本文方法的有效性。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，辨识出非线性对象的延迟时间的方法，将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制，同时，以10t／h链条炉作为研究对象进行仿真，仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

毫米波降雨去极化分辨率的辨识建模

以双输入、双输出系统辨识的方法,得到了以降雨同极化衰减Ｃｈ和Ｃｙ为输入,以降雨去极化分辨率Ｘｈ和Ｘｖ为输出的参数矩阵模型,提出了一种简便可行、精度较高的求降雨去极化分辨率的方法,结果表明该方法的计算精度能满足要求,对于毫米波的去极化计算很有意义。     

竞争学习的非均匀采样非线性系统的模糊辨识

在实际非线性系统中,由于资源的限制,使得输入信号快速刷新,输出信号慢速采样.利用获得的非均匀采样数据对原非线性系统辨识存在一定困难.为此,通过提升技术,把非线性系统的多个特征点局部的线性模型转化为模糊模型的后件线性模型.在此基础上,提出基于竞争学习和递推梯度下降方法的辨识算法.通过定理证明:输入信号在持续激励条件下,模糊模型的参数能够一致性收敛;针对化工p H中和过程非线性系统,采用非均匀采样数据,建立其模糊模型,通过实际数据与模糊模型输出数据误差对比,表明了实际系统在非均匀采样条件下,模糊辨识能够建立其过程模型,验证了提出方法的有效性.     

基于输出估计的多输入系统随机梯度估计算法

对于输出误差模型描述的多输入单输出系统,辨识的困难在于辨识模型信息向量中包含系统未知输出量(真实输出或无噪输出),以致标准辨识算法无法应用.提出了利用输出估计代替系统真实输出的辨识思想,即通过估计模型预测(估算)系统输出,利用这个估计输出来递推计算系统参数,进而提出了基于输出估计的随机梯度辨识算法,并研究了算法的收敛性,给出了仿真例子.     

基于T-S模型的非线性多变量系统快速GPC控制

把T-S模糊模型辨识非线性对象和预测控制技术相结合,提出一种基于T-S模型的非线性耦合多输入多输出系统快速广义预测控制(GPC)方法,并给出了简化的规则选择方法.该方法在线调节参数少、计算量小.仿真结果表明具有控制平稳、超调小、跟踪快的特点.能够对非线性耦合多变量系统进行良好控制,适合工业过程在线应用.     

Hammerstein系统递推辨识的自适应算法

采用最小二乘支持向量回归对Hammerstein系统进行辨识缺乏稀疏性,且模型不易递推.提出一种基于输出预报误差的Hammerstein模型自适应稀疏递推辨识算法.根据分块矩阵对模型进行递推运算,基于系统输出预报误差的结果,自适应调整算法的辨识步骤,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性.仿真结果表明,与常规的递推算法相比,该自适应算法能够在保证辨识精度的情况下,有效稀疏和简化模型,提高算法的鲁棒性和辨识效率,更加符合系统在线辨识的需要.     

Hammerstein模型的稳态辨识方法——MIMO情形

本文针对用Hammerstein模型描述的一类MIMO非线性系统,提出了一种稳态参数估计的辨识方法。此方法具有在稳态状态下取值,参数辨识简单、精确等优点。数字仿真结果说明了该方法的有效性和实用性。     

一种考虑摩擦力影响的伺服系统模型辨识方法

针对在建立伺服系统模型时因忽略摩擦力影响而不能进一步提高系统精度,以及考虑摩擦力影响时的模型较复杂,不适合工程应用等问题,将摩擦力作为系统的非线性反馈,提出了一种对伺服线性部分和非线性部分分别辨识的方法。基于2个非过零脉冲速度方波的系统响应特性,得到2组各自的输入和输出差异方波信号,并以此作为信号估计线性模型的参数,从而获得线性系统模型的稳态速度输出,并确定库伦兹摩擦力的大小。仿真结果表明:本文模型和识别方法具有一定可靠性。     

基于滤波和递推的Hammerstein非线性系统估计与控制（英文）

本文提出一种基于滤波和递推的含测量噪声的Hammerstein系统参数估计与工业控制方法。Hammerstein非线性系统由神经模糊模型和线性状态空间模型组成,并利用由阶跃信号和随机信号组成的混合信号估计Hammerstein系统参数。首先,利用阶跃信号不激发静态非线性系统的特性,即Hammerstein系统的中间变量与输入具有不同幅值的阶跃信号,从而未知的中间变量可以利用输入替代,解决了中间变量信息不可测量问题。因此,基于设计的阶跃信号,利用递推增广最小二乘（RELS）算法估计状态空间模型参数。其次,为了有效处理测量噪声的干扰,引入数据滤波技术,并利用滤波RELS算法和聚类算法估计神经模糊模型参数。最后,利用Hammerstein系统的特殊结构,将非线性系统控制简化为线性系统控制,从而利用线性控制器进行控制。通过两个工业仿真案例验证了所提方法和控制策略的有效性和可行性。     

过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法 将输入、输出信号、滤波后的数据用于训练静态前向神经网络 ,辨识出控制系统工作点处一线性动态模型的参数 ,从而预测过程的输出 文中详细论述了设计方法及算法原理 ,并通过试验对比表明 ,这种模型精度高、计算量少 ,对噪声不敏感 ,特别适用于运行过程复杂、干扰因素多、非线性控制系统的动态辨识     

基于观测器的混合直接自适应模糊辨识与控制

针对一类状态不可测的单输入单输出非线性不确定系统,提出了一种基于观测器的混合直接自适应模糊辨识与控制方法。设计中,将观测器、直接自适应模糊控制器与白适应模糊辨识模型相结合,用跟踪误差估计和辨识误差去调整系统的参数,以取得更好的逼近和跟踪效果。基于Lyapunov方法,证明了闭环系统的稳定性,跟踪误差渐近收敛剑零点的一个小邻域内,仿真结果验证了该方法的有效性。     

非线性系统辨识-VNS仿真

本文提出用伏尔泰拉级数、非线性最小二乘与灵敏度分析补偿法(VNS 方法)进行参数估值。用这种方法对某一类单输入单输出一阶强非线性定常系统或缓变化的时变系统、但在某一小区间 t∈[0,T]系统可视为是定常的系统进行辨识取得好的结果。算法具有良好的收敛性。拟合参数精度较高。