振动系统稳定模型的频域辨识

研究了利用频响数据进行振动系统辨识的问题。将振动系统表示为二阶传递函数之和的形式,通过约束传递函数模型中分母系数为正,可以保证模型的稳定性。采用非线性最小二乘目标函数作为优化准则,分子和分母系数通过分离的方式进行估计。分母系数利用模拟退火算法得到,分子系数通过求解线性最小二乘问题得到。数值仿真算例验证了辨识算法的有效性。     

基于改进最小二乘步骤的NARMA模型辨识非线性时变结构系统

基于时变非线性自回归滑动平均模型利用改进的递推最小二乘算法提出一种用于非线性时变结构系统辨识的方法。利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后将非线性项展开为系统输出数据的多项式的形式。利用短时时不变假设,通过改变模型的参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题,再利用改进的递推最小二乘算法实现对非线性时变结构系统的辨识。最后通过一个具有非线性时变刚度的三自由度结构系统的仿真算例表明,该方法可以有效地辨识非线性时变结构系统。     

基于最小二乘支持向量机的传感器非线性动态系统辨识

讨论了一种基于最小二乘支持向量机的非线性动态传感器系统辨识方法,并给出了相应的推导过程和学习算法.首先,将传感器的非线性动态系统分解为静态非线性子环节和动态线性子环节串联--Hammerstein模型;然后,建立类似线性的中间模型,通过该模型能将Hammerstein模型的非线性传递函数转换为等价的类线性形式;再通过LS-SVM线性回归算法求取中间模型参数;最后推导出中间模型参数与Hammerstein模型参数之间的关系,并通过该关系反演出原传感器系统的Hammerstein模型参数,实现传感器非线性动态辨识.仿真与实际传感器系统辨识的实验结果均表明该方法可行.     

基于前向神经网络的时变非线性结构系统辨识快速递推最小二乘法

针对基于前向神经网络的普通递推最小二乘估计存在着自适应跟踪慢和精度低的问题，提出了一种可对非线性时变系统进行快速辨识的新方法，因该方法有类似递推最小二乘算法的形式，称其为基于前向神经网络的快速递推最小二乘算法。该算法对传统的递推最小二乘算法的递推方式进行了改变，以更好的跟踪非线性时变系统的动态特性。针对典型的系统辨识仿真算例，通过与现有常用方法的比较研究显示了这种算法具有计算简单、收敛速度快和辨识精度高的良好性能。最后将方法用于一个三自由度时变非线性振动系统，结果同样验证了方法的良好特性。     

快速控制反射镜系统中的传递函数辨识

提出一种传递函数辨识方法。该方法使用非线性最小二乘曲线拟合法,结合控制对象的传递函数模型选取参数初始值,针对不同的频率特性分段拟合。使用该方法可以将复杂的控制系统频率特性转化为高精度的传递函数。在系统的中低频段内获得幅频±1dB和相频±1°的传递函数辨识精度。由此设计的数字补偿器有效补偿了机械谐振带来的影响,扩宽了控制系统的闭环带宽。传递函数辨识方法摆脱了数字补偿器设计依赖手工调试的状况,并可以提供复杂的数字补偿器以得到高性能的控制系统。     

基于矩阵分式多项式时变结构模态参数最小二乘辨识

基于时间相关矩阵分式多项式传递函数模型,给出线性时变结构时频域参数化模型。以时频域参数化模型为基础,将现有广泛用于时不变结构模态参数辨识的最小二乘复指数法拓展到时频域,提出基于矩阵分式多项式模型的时频域线性时变结构模态参数最小二乘辨识方法;针对时频域最小二乘对计算资源庞大需求问题,给出基于缩减正则方程的最小二乘问题求解方法。通过对两质量连续变化三自由度时变结构仿真算例,说明最小二乘中待估参数约束对模态参数辨识影响,阐述所提线性时变结构模态参数辨识方法特点,说明方法的有效性及潜在实用性。     

非线性系统载荷识别的最小二乘支持向量机法

为解除载荷识别问题对原系统先验知识的依赖，本文提出采用最小二乘支持向量机（Least squares support vector machine，LS-SVM）对非线性系统进行逆模型辨识，随后在该逆模型基础上利用工作状态的响应数据识别时域载荷。通过对某一非线性系统的稳态和非稳态激励的仿真计算，验证了该方法的有效性。仿真结果表明LS-SVM能够辨识出可靠的非线性系统的逆模型，进而反演出较精确的时域载荷。该方法不需要了解系统的数学模型及参数，只需少量训练样本即可，因此该方法能够应用于工程实践中。     

结构应变模态参数辨识的最小二乘复频域方法

由于应变模态对结构状态的敏感性,其在结构在线健康监测和损伤识别方面比位移模态更具优势。利用应变和位移的关系,将最小二乘复频域方法应用到结构应力应变分析中,建立基于应变测量数据的结构动力学参数频域辨识方法。由于应变模态和位移模态是同一种物理状态的不同表达形式,两者在数学表达上有相似性。首先建立以应变为变量的参数化公分母模型,在此基础上将非线性最小二乘问题进行线性化,得到加权线性最小二乘的方程误差。然后采用基于缩减正则方程的算法进行求解,减少计算量,并通过对模型参数施加约束来避免参数冗余。然后,设计并搭建一个自由梁的实验结构系统,利用光纤布拉格光栅应变传感器测量结构动应变数据,根据最小二乘复频域方法,基于应变测量数据辨识得到频率和阻尼比,与传统的基于加速度测量数据的辨识结果相吻合。另外,辨识所得应变模态振型与仿真结果也具有一致性。因此,数值仿真和实验验证表明,文中提出的基于最小二乘复频域方法能够准确辨识结构应变模态。     

气动肌肉的最小二乘支持向量机迟滞模型

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。     

线性回归模型中的递推辨识及其应用

摘要：因机械系统振动响应离散差分方程可以改写为关于结构模态参数的线性回归形式,对于此线性回归形式中的结构模态参数的辨识问题可转化为系统辨识理论中线性回归模型的未知参数矢量的辨识估计问题。当系统对象在白噪声激励下,常规的最小二乘辨识法可以给出参数估计的无偏估计。当系统对象在有色噪声作用下,在常规最小二乘辨识法的基础上提出一种新的可分离迭代最小二乘辨识法。在缺乏关于噪声的统计先验信息,仅有噪声为未知但有界的情况下,提出一种带死区的最小二乘辨识法,该辨识法不仅能给出未知参数矢量的一致性无偏估计,而且还能保证参数估计值逐渐向真值靠拢,任何相邻两估计值之间的逼近程度远远小于噪声的上界。在有界噪声出现的情况下,该算法的鲁棒性可以通过在参数修正方程中引入死区的方法来增强。最后用理论上的仿真算例和弹簧-质量-阻尼系统的振动响应来验证两方法的有效性和可行性。     

基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化（QPSO）引入到非线性Volterra系统辨识中,提出了一种基于量子粒子群优化（QPSO）的Volterra级数辨识方法,利用QPSO算法估计出了非线性系统的Volterra核函数。提出的方法同时和传统的最小二乘法(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,提出的方法与LMS方法都具有很好的辨识精度和收敛性。然而,在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,本文方法都优于传统的LMS方法,而且,随着噪声的增强,这种优势越明显。     

基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的“数据饱和”现象。为了克服“数据饱和”问题,本文首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服“数据饱和”。     

非线性时域识别方程的不适定性与正则化方法研究

研究了非线性时域识别方程的不适定性及其正则化求解方法。雅可比矩阵的性态能够反映非线性识别方程的性态，因此雅可比矩阵的条件数是非线性识别方程的不适定性的度量。阻尼最小二乘法只是一种强迫正定的计算方法，其识别结果仍然对测试噪声很敏感，解决该问题的有效途径是将阻尼最小二乘法与正则化方法两者结合使用。算例表明，将先验的参数预估值引入Tikhonov镇定泛函可以得到稳定的参数解，且识别误差与原始数据的测试噪声基本保持在同一水平。     

频域响应函数估计的非参数辨识法

针对振动工程领域中频响函数的辨识估计,本文深入研究频响函数估计的非参数辨识法。在离散傅里叶变换中,考虑初始和终端状态带来的暂态泄露项和观测噪声谱项对频响函数估计的影响。为得到准确的频响函数估计值,联合频响函数、初始-终端状态和脉冲响应系数待辨识参数矢量,将频响函数估计问题转化为一个线性最小二乘优化问题。针对此线性最小二乘优化问题的特殊形式,提出一种可分离的求解过程。最后用仿真算例验证本文辨识方法的有效性。     

System identification application using Hammerstein model

Generally, memoryless polynomial nonlinear model for nonlinear part and finite impulse response (FIR) model or infinite impulse response model for linear part are preferred in Hammerstein models in literature. In this paper, system identification applications of Hammerstein model that is cascade of nonlinear second order volterra and linear FIR model are studied. Recursive least square algorithm is used to identify the proposed Hammerstein model parameters. Furthermore, the results are compared to identify the success of proposed Hammerstein model and different types of models.     

An adaptive algorithm for nonlinear system identification

There are several methods — fixed, adaptive, recursive — for the identification of linear and bilinear systems from input-output measurements that are noisy. However, literature is rather scarce as far as such techniques are concerned for the identification of nonlinear systems. The objective of this paper, therefore, is to suggest an iterative technique for the identification of nonlinear system parameters from measurements that are noisy. This technique requires the transformation of a nonlinear system in the state variable form into an input-output autoregressive moving average exogenous (armax) model. The pseudo linear regression algorithm, which has been extensively used for the identification of linear systems, can then be used to identify the nonlinear system parameters. Using this technique simulation studies were carried out which, indeed, confirm the efficacy of the method.     

Properties of the IEEE-STD-1057 four-parameter sine wave fitalgorithm

The IEEE Standard 1057 (IEEE-STD-1057) provides algorithms for fitting the parameters of a sine wave to noisy discrete time observations. The fit is obtained as an approximate minimizer of the sum of squared errors, i.e., the difference between observations and model output. The contributions of this paper include a comparison of the performance of the four-parameter algorithm in the standard with the Cramer-Rao lower bound on accuracy, and with the performance of a nonlinear least squares approach. It is shown that the algorithm of IEEE-STD-1057 provides accurate estimates for Gaussian and quantization noise. In the Gaussian scenario it provides estimates with performance close to the derived lower bound. In severe conditions with noisy data covering only a fraction of a period, however, it is shown to have inferior performance compared with a one-dimensional search of a concentrated cost function     

Estimating visible through near-infrared spectral reflectance from a sensor radiance spectrum

We show that surface spectral reflectance can be separated from illumination effects in visible through near-infrared (350 nm-1740 nm) hyperspectral data by using only the information in a single radiance spectrum. The separation method exploits the fact that reflectance and illumination spectra typically lie in distinct subspaces. We present a comparison of a linear and a nonlinear algorithm for the separation. These algorithms compute an estimate of the spectral reflectance up to a scaling factor. In addition, we present an iterative method that is used to determine the starting point for the nonlinear algorithm. We also develop a method for selecting the dimension of the reflectance and illumination subspaces that is appropriate for material identification applications. The accuracy of the separation methods is quantified by application to noisy visible through near-infrared spectral data with a database of 107 materials and 3000 illumination spectra. The utility of the separation method for material identification is demonstrated with the same database. The results show that accurate reflectance recovery and material identification is possible by use of visible through near-infrared spectral data over the outdoor environmental conditions represented in this data set.