基于改进PSO的非对称BoucWen模型参数辨识

为了辨识压电陶瓷中的迟滞非线性,该文提出一种改进的粒子群算法(PSO)对非对称BoucWen模型进行参数优化。首先在归一化BoucWen模型中引入非对称因子描述非对称特性,解决该模型只适用于描述对称迟滞的问题。其次通过引入混沌映射、收缩因子和动态学习因子来对传统PSO进行改进,动态改变粒子群的权重和学习因子,有效地提高算法的搜索能力和收敛速度。最后通过改进的PSO对非对称BoucWen模型进行参数辨识。结果表明,改进的粒子群算法能较好地辨识BoucWen模型参数,验证了方法的有效性。     

改进量子遗传算法辨识超混沌系统

混沌系统的参数辨识是非线性科学中混沌控制与同步的关键问题。提出改进量子遗传算法,该算法具有良好的全局搜索能力,将其应用在混沌系统参数辨识问题。通过尽量减小实际系统与数学模型的状态同步误差来构造适应度函数,将参数辨识问题转化为一个多维优化问题。对超混沌Chen系统进行研究,并与基本量子遗传算法比较。实验仿真结果表明,改进量子遗传算法的有效和可行性,为混沌系统辨识开拓了一种新方法。     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

水下控制系统参数辨识的研究

根据水下控制系统的设计需要,针对原控制模型参数不够精确的问题,提出了用卡尔曼滤波对模型参数进行辨识的方法。用卡尔曼滤波算法对某航行体控制系统的辨识进行了仿真实验,论述了探测信号和初值对算法的收敛速度及估计精度的影响,该方法能提高控制模型的准确性,又能节约试验费用,从总体上提高了该水下控制系统研制过程的工作效率及在航行中的控制性能。     

基于混沌蚁群的神经网络速度辨识器研究

针对BP神经网络收敛速度慢和易陷入局部极小值的缺点,提出了混沌蚁群优化神经网络的实现方法。该方法在基本蚁群算法的基础上引入混沌因子,并利用混沌的遍历性和随机性,将带有混沌特征的初始化变量线性映射到变量取值区间,从而得到神经网络权值的全局最优值。利用该算法可对直接转矩控制系统进行转速辨识。     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

基于人工蜂群算法的船舶运动模型参数离线辨识

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中的人工蜂群算法引入到船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了人工蜂群算法求解船舶运动模型参数辨识的适应性;给出了采用人工蜂群算法进行船舶运动模型参数辨识的流程。以响应型船舶运动模型参数辨识为例,仿真研究显示,将船舶运动模型参数辨识问题转化成优化问题,通过人工蜂群算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究过程及结果表明,文中的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

一种基于超混沌Mackey-Glass系统的语音加密算法

针对低维混沌序列加密语音信号保密性较差,而复合混沌序列加密信息又使得混沌系统难以用软硬件实现的问题,研究了一种基于参数辨识的超混沌时滞模型的加密算法.该算法引入了分块加密的思想,采用了一种映射的方法产生密钥,不仅实现简单,实用性强,而且有效地改善了由于计算机有限精度效应而产生的混沌周期行为,增强了保密性能.     

Modified chaotic ant swarm to function optimization

The chaotic ant swarm algorithm (CAS) is an optimization algorithm based on swarm intelligence theory, and it is inspired by the chaotic and self-organizing behavior of the ants in nature. Based on the analysis of the properties of the CAS, this article proposes a variation on the CAS called the modified chaotic ant swarm (MCAS), which employs two novel strategies to significantly improve the performance of the original algorithm. This is achieved by restricting the variables to search ranges and making the global best ant to learn from different ants' best information in the end. The simulation of the MCAS on five benchmark functions shows that the MCAS improves the precision of the solution.     

一种基于连续蚁群算法的快速最大似然DOA估计

针对传统最大似然估计计算量大的问题,将连续空间蚁群算法与最大似然估计算法相结合,在ACOML算法的基础上,提出了一种用混沌序列初始化状态空间的改进蚁群算法MACOML(Muddleheaded ACO)。该方法使用混沌映射产生的初始状态空间来代替ACOML算法中的随机序列产生的初始状态空间,增加了初始解的遍历性,同时在寻优过程中增加了局部搜索。仿真结果表明:MACOML能保持最大似然估计方法的高分辨性能,而计算复杂度只是最大似然方法的1/20。     

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

基于粒子群优化算法的Logistic模型参数估计

将Logistic模型的参数估计问题转化为一个多维无约束函数优化问题,然后利用粒子群优化算法(PSO)的全局搜索能力对此问题求解.仿真实验中所使用的数据包括真实数据和随机采样数据.实验结果表明,在这两种数据条件下PSO算法均能够较准确地估计获得Logistic模型的参数,证实了PSO算法是Logistic模型参数估计的一种可靠有效的算法.同时也分析了参数维数和噪声对PSO算法的收敛性和稳定性的影响.     

一种新颖的混沌时间序列分析方法

本文提出了一种新颖的混沌时间序列分析方法,即从被加性高斯白噪声污染的混沌时间序列中估计其系统参数并同时进行噪声抑制的方法。假定产生混沌时间序列的模型已知,但相应的参数未知。这种新方法把对混沌时间序列的参数估计和噪声抑制看作是一种最小化过程,并利用了最速梯度下降方法解决。数值模拟实验表明新方法要优于现有的方法,是估计混沌系统系数和噪声抑制的一种有效的方法。     

Adaptive Tracking Control of Chaotic Systems With Applications to Synchronization

We address the problem of controlled synchronization of a class of uncertain chaotic systems. Our approach follows techniques of adaptive tracking control and identification of dynamic systems from recent developments of control theory. In particular, we use new notions of the so-called property of persistency of excitation - known to be sufficient and necessary for parameter estimation - to construct adaptive algorithms that ensure perfect tracking/synchronization and parameter estimation of chaotic systems with parameter uncertainty. Our theoretical findings are supported by particular examples and simulation studies on systems such as the Lorenz and Rossler oscillators and the Duffing equation.     

Partially blind source separation of continuous chaotic signals from linear mixture

The authors consider the problem of partially blind source separation of continuous chaotic signals from a linear mixture, in which the generating systems of chaotic signals are assumed to be available and the mixture matrix is unknown. Determination of the mixture matrix is firstly formulated as a problem of the synchronisationbased parameter estimation. Then an efficient parameter estimation method by exploiting the generating dynamics of chaotic signals is introduced. The estimated mixture matrix is used to design a signal separator to blindly separate the mixed chaotic signals. Three examples are given to illustrate the applicability of the proposed approach for the mixed chaotic signals generated by different and/or same dynamical systems and contaminated in measurement noise. In comparison with statistics-based methods, the new approach can solve the magnitude scaling indeterminacy and shows the separability of the mixed signals in strong noise background.     

混沌模拟信息转换——基于多射法的稀疏信号重构

混沌压缩采样是应用混沌系统实现非线性测量的压缩采样理论。该文研究模拟信号的混沌压缩采样-混沌模拟信息转换。该转换通过稀疏信号激励混沌系统,低速采样系统输出实现;信号重构则以混沌系统参数估计理论为基础,通过稀疏正则化的非线性最小二乘问题进行求解。该文将多射法(MS)与迭代再加权非线性最小二乘算法(IRNLS)结合,给出混沌模拟信息转换的MS-IRNLS信号重构算法。文中以Lorenz系统为例,仿真验证了MS-IRNLS算法的重构性能,结果表明方法的有效性。     

Adaptive Fuzzy Control of Nonlinear in Parameters Uncertain Chaotic Systems Using Improved Speed Gradient Method

This paper presents an adaptive fuzzy controller for Nonlinear in Parameters (NLP) chaotic systems with parametric uncertainties. In the proposed controller, the unknown parameters are estimated by the novel Improved Speed Gradient (ISG) method, which is a modification of Speed Gradient (SG) algorithm. ISG employs the Lagrangian of two suitable objective functionals for on-line estimation of system parameters. The most significant advantage of ISG is that it is applicable to NLP systems and it results in a faster rate of convergence for the estimated parameters than the SG method. Estimated parameters are used to design the fuzzy controller and to calculate the Lyapunov exponents of the chaotic system adaptively. Furthermore, established on the well-known Takagi–Sugeno (T-S) fuzzy model, a LMI (Linear Matrix Inequality)-based fuzzy controller is designed and is tuned using estimated parameters and Lyapunov exponents. Throughout the controller design procedure, several important issues in fuzzy control theory including relaxed stability analysis, control input performance specifications, and optimality are taken into account. Combination of ISG parameter estimation method and T-S-based fuzzy controller yields an adaptive fuzzy controller capable to suppress uncertainties in parameters and initial states of NLP chaotic systems. Finally, simulation results are provided to show the effectiveness of the ISG and adaptive fuzzy controller on chaotic Lorenz system and Duffing oscillator.