一种复杂系统的模糊模型结构及递推辨识方法

提出了一种复杂系统的模糊模型结构及辨识方法．该模糊模型利用系统的输入和输出数据,将输入和输出空间视为模糊空间．根据辨识精度将模糊空间划分为ｍ 个子空间,每个子空间由线性模型来表征．由隶属函数将子空间模型联接成全局模型来表征系统的整体特性．隶属函数和子空间的模型参数由递推辨识方法实现．仿真结果表明,这种模型结构可以表达复杂系统的特征和辨识算法的有效性     

基于神经网络的切换非线性系统辨识

提出了一种基于神经网络的多个Hammerstein-Wiener模型构成切换非线性系统的在线辨识方法.首先,通过误差逆传播(back propagation,BP)神经网络建立切换非线性系统的切换规律预测模型;其次,提出折息递推辨识算法对各个非线性子系统的参数进行辨识.利用关键项分离法对乘积项进行分离,得到各个子系统的参数估计值.最后通过切换非线性系统辨识实例,并与其他方法进行比较,验证了所提方法的有效性.结果 表明:提出的方法在辨识切换非线性系统方面具有更高的准确率和可靠性.     

含过程噪声Wiener系统的递推两阶段参数估计

Wiener系统属模块化非线性系统,由一个线性动态模块串联一个非线性静态模块组成,因其结构简单、实用性强,在非线性系统建模中得到广泛应用.最小二乘算法估计过程噪声扰动的Wiener系统时会带有偏估计.为了获得无偏估计,本文提出了一种递推两阶段参数估计算法.首先用FIR函数和多项式函数分别逼近系统的动态传递函数和静态反函数,随后运用递推最小二乘算法和递推辅助变量算法进行参数估计,其中的辅助变量由第一阶段的辨识结果计算得到.研究结果表明,提出的递推两阶段参数估计算法可以得到待辨识Wiener系统的无偏估计,数值仿真验证了该算法的有效性.     

多变量系统子子模型辨识

目前,对多变量系统辨识的研究已经越来越多,但是,基本上都属于子模型的辨识问题,不便于实际应用.本文采用子模型与子子模型技术,将一个有R个输入,m个输出的多变量系统分解为M个带R个输入的子模型,而每个子模型又可分解为R个子子模型(单输入单输出系统).在多变量系统中,只要做一次试验(同时加入月个输入信号),使用月个输入信号与M个输出信号的数据,可以自动辨识子模型的阶次与参数,再从子模型的有关数据,最终辨识出子子模型的阶次与参数.本文采用分块矩阵求逆公式,提出一种快速的自动定阶与估计参数的递推算法.     

方波输入信号下随机系统盲辨识方法

在方波输入信号下,通过归一化模型参数或输入信号,提出了随机系统两种盲辨识算法,仿真例子说明提出算法的有效性.     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

一种基于向量的鲁棒ARMA系统辨识器

提出一种新的基于向量方法的自回归和运动平均(ARMA)模型系统辨识器,并给出了其参数的统计分析模型.应用结果表明,向量ARMA算法和最小二乘法LS算法相比,在一定条件下,其预测误差精度提高了约1.2 dB;且该系统模型不受分离向量参数的影响.使用非线性函数核,系统将会成为一个鲁棒的非线性辨识过程.     

改进遗传规划算法在系统辨识中的应用

为了解决工业过程中数据丰富但机理不完全可知的非线性动态系统建模问题,提出了一种改进的遗传规划算法,以辨识模型结构和参数.该算法首先基于多层次辨识和反馈的基本思想,对系统进行多次辨识,直到把辨识误差缩小到可接受的范围;然后,采用最小二乘法估测模型参数,避免优良模型结构因低劣参数而被淘汰;最后,实施M估计技术,削弱强噪声对建模的影响,增强模型泛化能力.针对满足Lotka-Volterra方程的非线性动态系统进行建模仿真,试验结果表明该算法能较好地辨识满足Lotka-Volterra方程的一类非线性动态系统.     

T-S模糊模型的一种简单辨识算法

讨论了T-S模糊模型的辨识问题,以直线作为数据分类的目标,提出了一种改进的简单辨识算法.首先采用Hough变换,根据给定的输入输出数据,得到了模型后件部分的直线方程,并辨识出结论参数,然后依照得到的直线对输入数据进行分类.考虑输入数据与相应直线的接近程度,以及邻近直线对输入数据的影响程度,辨识出了模型的前件参数.本算法不需要对数据的循环计算,从而大大减少了计算量.仿真例子说明了本算法对T-S模糊模型辨识的有效性.     

瞬态下基于MRAS的DC-DC转换器参数辨识

为了解决实际应用中电感和电容值漂移的问题,提出一种瞬态条件下基于模型参考自适应系统(MRAS)的在线参数辨识算法,该算法可以同时辨识电感和电容.首先,介绍了基于MRAS的在线辨识系统结构;然后,根据MRAS基本原理和Boost转换器状态方程提出了一种基于MRAS的在线电感和电容辨识算法,并利用波波夫超稳定理论对辨识系统的稳定性加以证明;最后,对基于MRAS的参数辨识算法进行仿真验证.仿真结果表明:该算法的电容辨识误差在0.1%以内,电感辨识误差在0.2%以内.     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

基于ＳＯＲＡ 的多学科协同优化可靠性优化方法

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

基于差分进化与RBF神经网络的热工过程辨识

针对热工过程的非线性辨识问题,提出了一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型设计方法.该方法将DE算法的种群分解为几组并行的子种群,每组子种群对应于一类隐节点数相同的RBF网络.在RBFNN的学习过程中进行多子种群并行优化,从而实现RBF网络结构与参数的同时调整.算法可以利用热工对象的输入输出数据,自动设计出满足误差精度要求且结构较小的RBFNN模型.然后将该算法应用于热工对象的辨识,对于单输入单输出系统,得到的RBFNN模型只需1个隐节点.对于多输入单输出系统,RBF网络也仅需较少的隐层节点.仿真结果表明,用该方法设计的RBFNN模型结构简单,且辨识误差小,具有较好的泛化能力.     

基于组合信号的Wiener-Hammerstein系统辨识

针对噪声干扰条件下的Wiener-Hammerstein系统,提出一种基于组合信号的两阶段辨识算法用于辨识Wiener-Hammerstein系统各个环节参数.利用自回归(autoregressive, AR)模型和有限脉冲响应(finite impulse response, FIR)模型分别建立Wiener-Hammerstein系统的输入和输出线性环节,利用多项式模型建立非线性环节.在第一阶段,基于高斯信号的输入和输出,采用相关性分析方法辨识Wiener-Hammerstein系统中输入和输出线性环节的参数,有效解决了中间变量不可测的问题.在第二阶段,基于随机信号的输入和输出数据,利用递推最小二乘法辨识非线性环节参数.仿真结果表明,提出的两阶段方法能够有效辨识Wiener-Hammerstein系统,与其他辨识方法相比,辨识精度有所提高.     

时变遗忘因子的子空间辨识及预测控制器设计

针对线性时变多变量系统,在存在不可测干扰及系统动态特性变化较大的情况下,不需要已知系统先验结构信息,不需要辨识出系统参数矩阵,提出一种完全数据驱动的具有变遗忘因子子空间辨识的预测控制器设计方法.预测控制是一种基于模型的控制方法,为了更好地建立被控系统模型,在已有的在线辨识基础上,根据实测输出值与预测输出值的误差构造变遗忘因子,以调整采集数据的权重,提高辨识灵敏度和控制效果.最后通过实例仿真验证算法的有效性.     

一种改进人工蜂群算法的 Wiener 模型分步辨识法

为解决非线性系统 Wiener 模型参数辨识问题,提出了一种基于改进人工蜂群算法（NLJ-artificial bee colony algorithm, NABC）的分步辨识方法。NABC 算法融合了人工蜂群算法的简洁性和随机搜索算法的高精度优势,有较快的收敛速度、较强的局部求精和全局搜索能力。通过对经典测试函数的寻优,验证了 NABC 算法较其他改进方法的优势。分步辨识法解决了 Wie-ner 模型辨识过程中容易造成的误差累积问题,实现其线性和非线性部分的独立辨识。通过 pH 中和反应过程建模仿真验证了分步辨识法的有效性。     

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.     

基于驱动电机控制的电动汽车坡道静止保持系统

针对传统坡道驻车系统制动力释放时间延迟或提前会引起坡道起步具有冲击和后移问题,文中提出了一种基于驱动电机控制的电动汽车坡道静止保持系统,基于驱动电机系统参数建立了坡道静止保持系统动力学模型.对于模型中坡度和整车质量参数的不确定性,系统采用了参数辨识-自抗扰技术控制策略.参数辨识技术作为控制器输入初值,并使用自抗扰控制技术补偿辨识误差.实验数据表明:变遗忘因子最小二乘法能够估算坡度和整车质量参数,且误差在15%以内.此外,控制器中自抗扰算法能消除参数估算误差和扰动,与传统PI控制器相比,具有控制车辆后移距离短、响应速度快的特点.      

一种基于统计特性变换的盲信道辨识与均衡算法

在接收信号过采样的情况下,总结了SIMO信道堆栈系统模型。在此基础上针对输入信号为平稳非独立同分布且有已知自相关函数的情况,引入统计特性变换,导出了变换阵的闭式解。提出一种适用于平稳信号源的盲信道辨识与均衡算法,并对算法进行仿真,分析其辨识误差、收敛性能和均衡效果。结果表明：本文算法在输入信号为平稳非独立同分布时仍能对信道进行辨识且具有较高的精度,算法的收敛速度快并能达到理想的均衡效果。