MIMO液压伺服系统及噪音的时间序列分析

一、引言单输入单输出液压系统的参数辨识问题,在国内、国外都有了一些研究成果。这包括频域参数辨识、伪随机信号相关分析法,这些方法都需要事先人为确定模型的阶。文献给出了单输入单输出液压伺服系统模型阶和参数的时间序列分析方法。在此基础上,本文进一步提出了多变量液压伺服系统的时序辨识方法。该方法可以在对系统一无所     

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.     

基于多变量阶跃响应的风洞系统辨识

2.4 m×2.4 m风洞为多变量耦合系统,根据运行数据无法直接获得单个操纵变量对输出的影响.因此,提出采用多变量阶跃响应方法辨识风洞系统两输入-两输出耦合参数模型,采用三次样条插值法对阶跃响应数据进行滤波处理,再计算出单个通道的阶跃响应数据,在此基础上使用面积法获得各个通道的传递函数模型,并通过对不同阶次模型输出的均方根误差的比较,实现最佳模型阶次的选择.仿真及风洞现场测试结果验证了本文方法的有效性.     

一种基于过采样技术的非最小相位系统盲辨识方法

提出了一种在时域中盲辨识非最小相位系统传递函数的方法,该方法通过对系统输出过采样来获得系统结构参数的信息.对于单输入单输出的线性离散系统,经过输出过采样后可以等价为单个输入、多个输出的传递函数模型,这多个输出函数具有相同的分母多项式和不同的分子多项式.采用子空间分解法可以确定分子多项式的参数,通过对系统输出信号自相关函数的处理可以得到分母多项式,最终可以得到原系统的结构参数.与传统高阶矩方法相比,该方法对噪声的敏感度更低,辨识的精度和速度也有很大提高.仿真结果表明,当信噪比大于15dB时,该方法可以有效地辨识出系统参数.与高阶矩方法相比,辨识门限信噪比降低了10dB,估计精度提高了20%,辨识速度加快了3倍.     

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.     

表面建筑材料吸放湿特性的辅助变量辨识

建立了以材料表面空气相对湿度为输入，材料湿容量为输出的建筑围护结构材料动态湿特性单输入单输出辨识数学模型，得到相应的Z传递 函数模型。建造了建筑围护结构材料的辨识试验系统。采用辅助变量辨识方法辨识得到单输入单输出差分方程和Z传递函数。并比较了最小二乘辨识法和辅助变量辨识法的辨识结果。结果表明，辅助变量辨识法辨识精度有所提高，系统阶降低。     

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.     

过采样方法在系统辨识中的应用

为了对带噪输出的控制系统进行盲辨识，提出了一种利用过采样法辨识控制系统函数的方法，通过过采样控制系统的输出信号，将原单输入单输出系统转换成为一个新的与原系统具有相同输出极点的单输入多输出系统，再估计出这个新的单输入多输出系统的传递函数，最后得到原单输入单输出系统的模型参数，仿真结果表明，与常用的高阶矩法相比，该方法具有不受系统结构影响，不需要计算样本数据的高阶统计矩，使用的样本数据量少，便于计算机实现的优点。     

多输入多输出非线性系统Volterra频域核的非参数辨识方法

为解决多输入多输出(MIMO)非线性系统Volterra频域核辨识困难的问题,提出了一种MIMO非线性系统Volterra频域核的非参数辨识方法.该方法先对待辨识的MIMO非线性系统的各输入端添加不同频率成分的单音激励信号,再对系统的输出端信号进行采样并使用Vandermonde法使各阶核输出分离,然后根据单音激励下MIMO非线性系统Volterra核的频域输出特性,推导出该类系统Volterra频域核的辨识公式.由于采用了多音信号激励MIMO非线性系统,实现了一次激励下多点辨识的目的,因此提高了辨识效率.该方法仅依赖于系统的输入输出数据,具有较强的实用性.采用该方法对一个双输入双输出的非线性系统Volterra频域核进行辨识,最大偏差小于10-5,验证了该方法的有效性.     

调制引入循环平稳的MIMO系统分离与辨识

针对多输入多输出线性时不变系统提出了一种新颖的盲辨识方法。该方法利用了调制产生的二阶循环平稳性，在循环频率域对信号的统计量进行分离，最终将各个系统的冲激响应辨识出来。分别讨论了4输入4输出系统在有加性高斯白噪声时的信道辨识情况．并对算法进行了计算机模拟。     

调制引入循环平稳的MIMO系统分离与辨识

针对多输入多输出线性时不变系统提出了一种新颖的盲辨识方法。该方法利用了调制产生的二阶循环平稳性，在循环频率域对信号的统计量进行分离，最终将各个系统的冲激响应辨识出来。分别讨论了4输入4输出系统在有加性高斯白噪声时的信道辨识情况，并对算法进行了计算机模拟。     

基于多模集成神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

基于四元数的刚体姿态调节问题

给出了用四元数表示的刚体姿态调节问题的两种控制规律，首先利用反馈非线性化方法，给出一种不含非线性扭矩项，仅由四元数和角速度的线性组合构成的控制规律，该控制律与刚体惯性参数无关，因而具有一定的鲁棒性，并证明在一定条件下闭环系统是指数渐近稳定的，其次重新研究了刚体姿 态控制问题固有的无源性，并利用这种新的无源性设计了一种仅利用姿态四元数而无需用角速度测量作为反馈的控制规律，与现有的四输入/四输出无源系统相比，这里的严格无源系统的动态控制器仅是三输入/三输出的，有效地减少了实时计算所需的时间。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

用模型扩展法辨识具有非平稳扰动的系统

在辨识实际系统时,非平稳噪声扰动是较多见的。目前用得较多的预滤波处理法由于受到一些先验知识的限制,常常得不到较好的辨识结果。本文通过对一类非平稳随机过程的描述,提出一种扩展辨识模型的修正辨识算法,可在不作滤波预处理的情况下,得到非平稳噪声扰动下系统参数的无偏估计。仿真试验证明了修正算法是简单可行的,且仍可在平稳随机噪声条件下使用。     

多无人机编队异常检测的偏差补偿估计

为避免多假设检验及概率不等式的复杂性,采用数据驱动的检测法,无需无人机的先验结构信息,仅利用无人机模型的输入-输出观测数据序列来实现多无人机编队的异常检测。对于各架无人机的非线性未知关系式,利用可无限逼近的基函数簇将原非线性未知关系式展开,将其表示成回归矢量与参数矢量的线性回归形式。采用最小二乘法求解参数估计矢量,再通过残差来设计异常检测器。当非线性关系式中仅包含有输入量时,通过最小二乘法得到的残差异常检测器可达到较好的性能。当非线性关系式中同时包含有输入和输出量时,由最小二乘法得到参数估计矢量是有偏估计,此有偏估计势必会影响最终的残差异常检测器。因此在有偏参数估计矢量中添加偏差补偿项,使之成为无偏估计矢量;并推导此偏差补偿项的表示形式,证明添加此偏差补偿项后的无偏性,提出替换偏差补偿项中某矩阵的构造方法。最后用仿真算例验证所提方法的有效性。     

基于动态分离的Hammerstein模型辨识法

 通过对工业大系统输入信号的设计,使Hammerstein模型输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉。利用分散辨识得到系统的线性动态模型。基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了工业大系统中Hammerstein模型辨识的动态分离方法。仿真结果表明此方法的有效性。     

非线性多时滞不确定系统鲁棒故障诊断

提出了一种带有多时滞不确定非线性系统的鲁棒故障诊断方案,非线性与系统输入和输出有关,不确定性包括系统输入和状态等环节;通过构造观测器对状态和输出进行估计,得到具有鲁棒性的阈值;若系统的实际输出与估计输出之差(即残差)超出阈值,说明有故障发生,同时用自适应跟踪器对故障进行跟踪;在理论上证明了该方案的鲁棒性、灵敏度和稳定性。