基于模糊自适应免疫算法的非线性系统模型参数估计

复杂生产工艺中非线性系统的模型参数估计是系统建模优化问题中的难点, 为避免优化算法过早收敛于错误的参数估计值, 根据生物免疫机理和模糊逻辑原理提出了一种新颖的模糊自适应免疫算法, 该算法采用混沌超变异操作增强算法搜索能力, 并用免疫网络调节策略保持抗体群的多样性, 同时采用模糊逻辑调节算法参数以提高算法的自适应能力. 函数优化仿真结果表明其具有较好的收敛性能, 并能够克服早收敛问题. 最后将其成功应用于重油热解非线性模型参数估计中, 验证了该算法解决实际建模问题的可行性和有效性.     

基于模糊白适应免疫算法的非线性系统模型参数估计

复杂生产工艺中非线性系统的模型参数估计是系统建模优化问题中的难点,为避免优化算法过早收敛于错误的参数估计值,根据生物免疫机理和模糊逻辑原理提出了一种新颖的模糊自适应免疫算法,该算法采用混沌超变异操作增强算法搜索能力,并用免疫网络调节策略保持抗体群的多样性,同时采用模糊逻辑调节算法参数以提高算法的自适应能力．函数优化仿真结果表明其具有较好的收敛性能,并能够克服早收敛问题．最后将其成功应用于重油热解非线性模型参数估计中,验证了该算法解决实际建模问题的可行性和有效性．     

基于改进差分进化的Hammerstein系统辨识

Hammerstein系统是一类典型的块结构非线性系统,由非线性静态子系统和线性动态子系统构成,由于模型中含有未知非线性变量,传统辨识算法往往存在辨识精度不高、辨识效果差等问题。因此,基于启发式的智能优化算法受到了关注。差分进化(Differential Evolution, DE)算法是一种模拟自然界生物种群“适者生存”原则的智能算法,待定参数少,收敛速度快,但会陷入局部最优。针对这一局限性,提出一种改进差分进化算法来辨识Hammerstein受控自回归滑动平均模型。在基本差分进化算法的基础上改变了变异操作和交叉操作,加入自适应因子。推导了递推最小二乘算法来辨识Hammerstein系统,并将其与改进的差分进化算法进行比较。通过仿真例子测试算法性能,结果表明,相对于递推最小二乘算法、基本DE算法和粒子群算法,改进差分进化算法在精确度和收敛速度上更优。将改进DE算法用于连续搅拌反应釜的辨识,取得了较好的辨识效果。     

具有Levy变异和精英自适应竞争机制的蚁狮优化算法

针对蚁狮优化算法易陷入局部最优、收敛速度慢的缺点,本文提出一种具有Levy变异和精英自适应竞争机制的蚁狮优化算法。利用服从Levy分布的随机数对种群较差个体进行变异,可改善种群多样性提高算法的全局搜索能力;精英自适应竞争机制使得多个精英并行带领种群寻优,提高了算法的收敛速度,为避免较大计算量,并行竞争的精英个数会随着寻优代数增加而减少。同多个改进算法进行比较,结果表明本文所提算法具有更好的寻优精度和收敛速度。最后将本文改进算法应用于硅单晶热场温度模型的参数辨识,仿真结果说明该算法具有较好的参数辨识能力。     

基于头脑风暴优化算法的Wiener模型参数辨识

Wiener模型是一种典型的模块化非线性模型,广泛应用于工业过程控制领域.由于其结构的非线性,参数辨识无法直接得到解析解.为此,将Wiener模型的参数估计转化为带约束的非线性优化问题,以头脑风暴优化(BSO)算法并行搜索该问题的最优解,并以搜索过程中的反馈信息调整BSO算法的变异过程,以改进算法的收敛速度和辨识精度.数值仿真和工业数据验证了所提算法的有效性.     

基于改进的布谷鸟搜索算法对分数阶生物系统的参数估计

近年来,非线性分数阶系统的参数估计问题已经在许多科学和工程领域特别是计算生物学中,引起了广泛的兴趣.本文针对分数阶生物系统的参数估计问题,将系统参数和分数阶导数同时作为独立的未知参数来进行估计,并提出了一种改进的布谷鸟搜索(improved cuckoo search, ICS)算法来求解该问题.在ICS算法中,通过引入一个自适应参数控制机制,同时结合反向学习方法,从而达到提高算法收敛速度和估计值精度的目的.最后,以三种经典的分数阶生物动力系统模型为例进行了数值仿真,其中还考虑了有测量误差和噪声数据的情形.仿真结果表明ICS算法具有良好的适应性、较高的收敛可靠性及精度,为求解非线性分数阶系统参数估计问题提供了一种有效工具.     

基于正态云的粒子群优化算法及其应用

为辨识非线性系统Hammerstein模型,将非线性系统的辨识问题转化为参数空间上的优化问题,提出一种基于正态云模型的改进粒子群算法(NCPSO)。该算法采用动态变异概率,对全局最优粒子和粒子自身最优位置进行正态云变异,以产生新的粒子引导种群的飞行,有效避免早熟收敛。采用一种广义学习策略,提升粒子向最优解飞行的概率,将NCPSO算法用于对Hammerstein模型的辨识,相比其他算法,该算法辨识精度较高。     

一类线性时变系统组合自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的既含时变参数又含时不变参数的高阶线性时变系统,提出了一种模型参考组合自适应迭代学习参数辨识算法.应用Lyapunov方法,给出了时不变参数的时域自适应学习律和时变参数的迭代域自适应学习律,分析了参数估计和模型状态跟踪误差的有界性与收敛性.该算法适于时变和时不变参数并存的线性系统的参数辨识,可加快参数估计的收敛速度.仿真例子验证了所提出的辨识算法的有效性.     

基于改进的布谷鸟搜索算法对分数阶生物系统的参数估计（英文）

近年来,非线性分数阶系统的参数估计问题已经在许多科学和工程领域特别是计算生物学中,引起了广泛的兴趣.本文针对分数阶生物系统的参数估计问题,将系统参数和分数阶导数同时作为独立的未知参数来进行估计,并提出了一种改进的布谷鸟搜索(improved cuckoo search, ICS)算法来求解该问题.在ICS算法中,通过引入一个自适应参数控制机制,同时结合反向学习方法,从而达到提高算法收敛速度和估计值精度的目的.最后,以三种经典的分数阶生物动力系统模型为例进行了数值仿真,其中还考虑了有测量误差和噪声数据的情形.仿真结果表明ICS算法具有良好的适应性、较高的收敛可靠性及精度,为求解非线性分数阶系统参数估计问题提供了一种有效工具.     

一种多策略改进鲸鱼优化算法的混沌系统参数辨识

针对混沌系统参数辨识精度不高的问题,以鲸鱼优化算法(whale optimization algorithm,WOA)为基础,提出一种多策略改进鲸鱼优化算法(multi-strategy improved whale optimization algorithm,MIWOA)。采用Chebyshev混沌映射选取高质量初始种群,采用非线性收敛因子和自适应权重,提高算法收敛速度,为了避免算法陷入局部最优,动态选择自适应t分布或蚁狮优化算法更新后期位置,提高处理局部极值的能力。通过对10个基准函数和高维测试函数进行仿真试验,表明MIWOA具有良好的稳定性和收敛精度。将MIWOA应用于辨识R¨ossler和L¨u混沌系统参数,仿真结果优于现有成果,表明本文MIWOA辨识混沌系统参数的高效性和实用性。     

Recursive methods for estimating the radial basis function‐based state‐dependent autoregressive model

Identifying a nonlinear radial basis function‐based state‐dependent autoregressive (RBF‐AR) time series model is the basis for solving the corresponding prediction and control problems. This paper studies some recursive parameter estimation algorithms for the RBF‐AR model. Considering the difficulty of the nonlinear optimal problem arising in estimating the RBF‐AR model, an overall forgetting gradient algorithm is deduced based on the negative gradient search. A numerical method with a forgetting factor is provided to solve the problem of determining the optimal convergence factor. In order to improve the parameter estimation accuracy, the multi‐innovation identification theory is applied to develop an overall multi‐innovation forgetting gradient (O‐MIFG) algorithm. The simulation results indicate that the estimation model based on the O‐MIFG algorithm can capture the dynamics of the RBF‐AR model very well.     

A parameter optimization method for radial basis function type models

This paper considers the nonlinear systems modeling problem for control. A structured nonlinear parameter optimization method (SNPOM) adapted to radial basis function (RBF) networks and an RBF network-style coefficients autoregressive model with exogenous variable model parameter estimation is presented. This is an off-line nonlinear model parameter optimization method, depending partly on the Levenberg-Marquardt method for nonlinear parameter optimization and partly on the least-squares method using singular value decomposition for linear parameter estimation. When compared with some other algorithms, the SNPOM accelerates the computational convergence of the parameter optimization search process of RBF-type models. The usefulness of this approach is illustrated by means of several examples.     

基于粒子群优化方法的电力系统状态向量估计模型

电力系统状态向量估计是电力系统能量管理系统的重要组成部分;在电力系统实时监控中,传统的基于最小二乘法的状态向量估计方法,存在估计值与实际电力系统中的参数值相差较大的问题,基于此提出了一种适用于电力系统实时监测的有效状态估计模型;该模型采用了一种基于直角坐标系的加权最小二乘法,由一组与测量量和状态变量相关的非线性方程组描述,使用预测-校正迭代技术求解状态估计器模型;利用粒子群算法优化同步相量测量单元(phasor measurements unit,PMU)仪表的分配,增强了算法的有效性;该模型被应用于IEEE14总线和IEEE-30总线测试系统;结果表明,与传统算法相比,所开发的电力系统状态向量估计模型在执行时间、准确性和迭代次数方面均有明显的优势,所提出的估计模型对于实时监控应用具有很好的应用前景.     

一种改进的共轭梯度法及全局收敛性

在DY共轭梯度法的基础上对解决无约束最优化问题提出一种改进的共轭梯度法．该方法在标准wolfe线搜索下具有充分下降性，且算法全局收敛．数值结果表明了该算法的有效性．最后将算法用于SO2氧化反应动力学模型的非线性参数估计，获得满意效果．     

利用改进遗传算法的参数估计

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。而遗传算法是一种有导向的随机搜索方法,能以较大的概率收敛到全局最优解。本文将单纯形法引入到并行遗传算法中,提出了一种改进的遗传算法,可以有效地提高算法的收敛速度、防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

Parameter estimation of bilinear systems based on an adaptive particle swarm optimization

Bilinear models can approximate a large class of nonlinear systems adequately and usually with considerable parsimony in the number of coefficients required. This paper presents the application of Particle Swarm Optimization (PSO) algorithm to solve both offline and online parameter estimation problem for bilinear systems. First, an Adaptive Particle Swarm Optimization (APSO) is proposed to increase the convergence speed and accuracy of the basic particle swarm optimization to save tremendous computation time. An illustrative example for the modeling of bilinear systems is provided to confirm the validity, as compared with the Genetic Algorithm (GA), Linearly Decreasing Inertia Weight PSO (LDW-PSO), Nonlinear Inertia Weight PSO (NDW-PSO) and Dynamic Inertia Weight PSO (DIW-PSO) in terms of parameter accuracy and convergence speed. Second, APSO is also improved to detect and determine varying parameters. In this case, a sentry particle is introduced to detect any changes in system parameters. Simulation results confirm that the proposed algorithm is a good promising particle swarm optimization algorithm for online parameter estimation.     

Unbalance estimation using linear and nonlinear regression

This paper considers the problem of unbalance estimation of rotating machinery. It is formulated as a parameter estimation problem, where the unknowns enter nonlinearly in a regression model. By use of a certain method, the problem can be reformulated as a linear estimation procedure with a closed form solution. This procedure is sometimes known as the influence coefficient method. In its derivation, no special treatment is devoted to disturbing terms and imperfections in the model. Therefore, a novel method is derived which takes disturbances into account, leading to a nonlinear estimator.The two procedures are compared and analyzed with respect to their statistical accuracy. Using the example of unbalance estimation of a separator, the nonlinear approach is shown to give superior performance.     

具有适应性突变和惯性权重的粒子群优化(PSO)算法及其在动态系统参数估计中的应用

An important problem in engineering is the unknown parameters estimation in nonlinear systems. In this paper, a novel adaptive particle swarm optimization (APSO) method is proposed to solve this problem. This work considers two new aspects, namely an adaptive mutation mechanism and a dynamic inertia weight into the conventional particle swarm optimization (PSO) method. These mechanisms are employed to enhance global search ability and to increase accuracy. First, three well-known benchmark functions namely Griewank, Rosenbrock and Rastrigrin are utilized to test the ability of a search algorithm for identifying the global optimum. The performance of the proposed APSO is compared with advanced algorithms such as a nonlinearly decreasing weight PSO (NDWPSO) and a real-coded genetic algorithm (GA), in terms of parameter accuracy and convergence speed. It is confirmed that the proposed APSO is more successful than other aforementioned algorithms. Finally, the feasibility of this algorithm is demonstrated through estimating the parameters of two kinds of highly nonlinear systems as the case studies.     

改进的粒子滤波单通道盲分离算法

针对粒子滤波在通信混合信号单通道盲分离中存在固定参数联合估计精度低,收敛速度慢等问题,提出了一种改进的盲分离算法。通过对传统的随机游走模型加以修改,并将参数粒子的后验概率密度分布近似为Beta分布,提高了参数估计的收敛速度和精度,改善了分离性能;为了衡量算法的参数估计性能,推导了符号已知条件下的参数联合估计克拉美罗界。实验仿真结果表明,算法具有更好的参数估计性能和分离性能。