非线性系统辨识

摘要： 本论文研究了单输入单输出非线性Hammerstein系统的辨识问题,提出了一种具有变遗忘因子的递推最小二乘算法。由于Hammerstein系统模型的非线性特征,传统的递推最小二乘算法无法直接用来解决该系统的辨识问题。为此,论文将Hammerstein系统参数进行了映射变换,使得变换后的系统参数与Hammerstein系统的输入输出构成一个线性关系,从而使系统能够适用于递推最小二乘算法;另外,为解决由于参数映射带来的收敛速度下降问题,论文进一步提出了一种变遗忘因子的递推最小二乘算法。仿真结果表明,提出的算法能够获得较好的收敛性和稳定性,并具有对非线性Hammerstein系统较高的辨识精度。

摘要： 为了降低核仿射投影P范数(KAPP)算法的计算量和存储容量,提高在输入信号强相关时KAPP算法的收敛速度和稳态性能,该文提出基于高斯核显性映射的核归一化解相关APP(KNDAPP-GKEM)算法.该算法利用归一化解相关方法预先解除输入信号的相关性;利用高斯核显式映射方法近似得到显式核函数,消除了对历史数据的依赖,解决了KAPP算法因结构不断生长导致的计算量和存储容量过大的问题.α稳定分布噪声背景下的非线性系统辨识仿真结果表明,在输入信号强相关时KNDAPP-GKEM算法收敛速度快,非线性系统辨识稳态均方误差小,训练所需时间呈线性缓慢增长,有利于实际非线性系统辨识的应用.

摘要： 针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题,将结构自适应引入辨识的优化,提出一种基于子系统的结构自适应滤波(SSAF)方法.该方法的模型由若干子系统级联而成,每一个子系统均为线性-非线性混合结构.子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器(IIR),非线性部分则是一个静态的非线性函数.初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接,而不含反馈的连接机制确保了非线性系统的有效性.采用一种自适应多精英引导的复合差分进化(AMECoDEs)算法用于自适应模型循环优化,直至找到最优的结构和参数,即全局最优.实验结果表明,SSAF方法在非线性测试函数以及真实数据集上的表现优异,辨识率高且收敛性好,与聚焦时滞递归神经网络(FTLRNN)相比,它所用参数的个数仅为FTLRNN的1/10,且适应值精度提高了7％,验证了所提方法的有效性.

摘要： 随着经济的迅速发展,我国科学技术的发展也有了显著的提高,伺服驱动技术是根据一定的指令信息对驱动元件进行控制,并加以扩充,使机械系统执行部件按指令要求运动的一种控制技术.近年来,随着计算机技术的不断发展和微电子技术的飞速进步,伺服技术越来越成熟,国内的伺服行业也在不断发展,广泛应用于机械包装、数控机床、工业机器人等行业.

摘要： An integration algorithm of nonlinear polynomial model structure identification and parameter identification was proposed for the linear parametric polynomial assembled model,which had wider signifi-cance in the field of nonlinear systems.The algorithm combined optimal-selecting process based on contribu-tion items with poor-eliminating process based on redundant items in structure identification.In the optimal-se-lecting process,the recursive modified Gram-Schmidt (RMGS)algorithm based on output vector residual was used to select the better terms in the vector space,and some redundant non-model terms were allowed to be selected,according to the maximizing drop of the output vector projection residual.In the poor-eliminating process,the algorithm adopted the model structure poor-eliminating strategy based on modified orthogonal se-quence to deal with the contribution of the orthogonal vector equally.The structure items with small contribu-tion to the actual output were deleted from the optimal set.The structure and parameters were determined by the system completeness index.Two examples of typical nonlinear polynomial model identification simulation demonstrate the effectiveness of the algorithm.%针对非线性系统领域具有更广泛意义的线参数多项式组合模型,提出一种非线性多项式模型结构辨识和参数辨识一体化算法.该算法将结构辨识中基于贡献项的择优过程与基于冗余项的劣汰过程结合.在择优过程中,根据输出向量投影残差下降的最大化,采用基于输出向量残差化的递归改进 Gram-Schmidt(RMGS)算法,在向量空间的全集中择优,并允许部分冗余非模型项选入.在劣汰过程中,为平等对待正交化向量的贡献,采用基于改进正交化次序的模型结构劣汰策略,在优选集合里逐个删除对实际输出贡献相对较小的结构项,以系统完备性指标为约束,确认结构与参数.2 类典型非线性多项式模型辨识仿真算例对比验证了算法的有效性.

摘要： PID神经网络(PIDNN)是一种融合比例、微分、积分环节,结构简单固定,且具备动态网络特点的神经网络模型,适合于非线性系统辨识;但是网络对初始权值和样本质量敏感,参数难以选定,导致网络收敛速度慢,容易陷入局部极小.提出一种采用文化基因算法(Memetic Algorithm)优化网络权值的方法.在差分进化(DE)算法全局寻优结果基础上,通过混沌局部搜索算法,进一步优化网络权值;根据 PIDNN 特性,在优化过程中加入先验知识,采用 L1正则项,对目标函数正则化,避免算法搜索到无潜力解,保证网络模型泛化能力;对一杂非线性系统进行辨识仿真,仿真结果表明优化后的神经网络辨识精度高,有良好的泛化能力.%PID neural network(PIDNN)is a neural network model that integrates proportional,differential and integral links,and has simple structure.It is suitable for nonlinear system identification.However,the BP algorithm used in the network is sensitive to the initial weight and sample quality,and it is difficult to select the parameters,which leads to the slow convergence of the network and easy to fall into the local minimum.A method of optimizing network weight by cultural genetic algorithm is proposed.Differential evolution algorithm in global optimization based on the results,the chaotic local search algorithm,and further optimize the network weights;according to the prior knowledge,using L1 regularization,the objective function of the regularization algorithm to search,to avoid potential solutions,ensure the generalization ability of network model.A hybrid nonlinear system is identified and simulated.The simulation results show that the optimized neural network has high recognition precision and good generalization ability.

摘要： 针对非线性系统的辨识问题,引入了对角回归神经网络模型.为了对辨识模型进行优化,设计了一种新的杂交操作策略,并将该策略引入到布谷鸟搜索中,获得改进的布谷鸟搜索算法(hCS).通过对12个典型测试函数的数值寻优实验,结果表明,所提出的算法与基本的布谷鸟算法相比,其解的精度有了明显的提高.将所提出的算法用于2个非线性系统神经网络辨识模型的优化,仿真结果表明hCS优化的模型拟合精度更高.

摘要： 为了准确、高效、同步地辨识复杂随机非线性系统的结构和参数，防止进化计算中的早熟收敛，本文将一种改进的基于层次结构公平竞争(HFC)模型的多目标、多种群并行进化遗传编程（GP）算法应用于系统辨识。使用改进算法对基于非线性自回归滑动平均(NARMAX)模型的随机非线性系统进行了辨识，同步、准确地辨识出了目标系统的结构和参数。经比较，该算法的抗早熟收敛能力明显优于单种群和普通的多种群并行遗传编程算法。辨识结果表明，改进算法适用于复杂随机非线性系统辨识问题，比其它辨识算法有优越之处。

摘要： 本文主要地介绍了控制领域的非线性系统辨识发展情况。对多层递阶辨识方法，以及把神经网 络、遗传算法、粒子群优化等算法应用到非线性系统辨识而得到的一些新方法做了简单概括和描述。最 后展望了非线性系统辨识的发展方向和趋势。

摘要： 本文应用非线性系统辨识的方法实现对帕金森状态的功能建模.将基底核回路作为建模对象,通过将非线性自回归的思想引入到传统的二阶Volterra模型,量化输入电刺激信号与基底核输出到丘脑核团的突触电流间的关系.带有自回归的Volterra模型能够复现生理数据中的输入-输出映射关系,并且能够成功预测其它类型输入信号的响应,精度高达96％.该方法成功地将实验数据与帕金森状态相结合,是对帕金森状态的数据驱动建模,能够最优地预测病态行为的变化,将促进对帕金森疾病的认知及治疗进程.

摘要： 支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,该文利用鲁棒支持向量机对非线性系统进行黑箱建模,首先推导出鲁棒支持向量机的基本理论,给出了对偶优化问题,并结合一个具体的例子进行了仿真实验,结果验证了所提出的方法的正确性和有效性.

摘要： 本文对非线性和时变大滞后动力系统的在线辨识问题进行了研究，提出了对神经网络的输入神经元进行并行化处理的递归结构，使神经网络具有动态在线辨识能力。论述了网络结构算法的可行性。通过对非线性和大时变纯滞后的被控对象的在线辨识仿真结果，验证了输入并行化动态回归网络具有很强的自适应性和鲁棒性，为非线性动态系统在线辨识提供了新的方法。

摘要： SVM是一种较好的航空发动机模型辨识方法，但为提高其泛化推广能力，其算法本身存在参数优化选取问题。为解决支持向量机的参数优化问题，提高支持向量机模型的精度，提出一种云自适应粒子群优化算法。该优化算法以模型预测误差最小化为目标，以粒子群算法为寻优策略；在粒子群惯性权重调整过程中，根据粒子适应度分布进行正态云模型的有序随机映射，自适应更新惯性权重，提高收敛速度。基于台架试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明，高、低压转子转速误差均低于0.5％，涡轮后燃气温度低于4°C，推力预测相对误差小于0.4％，满足控制算法设计与仿真的需要。

摘要： SVM是一种较好的航空发动机模型辨识方法，但为提高其泛化推广能力，其算法本身存在参数优化选取问题。为解决支持向量机的参数优化问题，提高支持向量机模型的精度，提出一种云自适应粒子群优化算法。该优化算法以模型预测误差最小化为目标，以粒子群算法为寻优策略；在粒子群惯性权重调整过程中，根据粒子适应度分布进行正态云模型的有序随机映射，自适应更新惯性权重，提高收敛速度。基于台架试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明，高、低压转子转速误差均低于0.5％，涡轮后燃气温度低于4°C，推力预测相对误差小于0.4％，满足控制算法设计与仿真的需要。

摘要： SVM是一种较好的航空发动机模型辨识方法，但为提高其泛化推广能力，其算法本身存在参数优化选取问题。为解决支持向量机的参数优化问题，提高支持向量机模型的精度，提出一种云自适应粒子群优化算法。该优化算法以模型预测误差最小化为目标，以粒子群算法为寻优策略；在粒子群惯性权重调整过程中，根据粒子适应度分布进行正态云模型的有序随机映射，自适应更新惯性权重，提高收敛速度。基于台架试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明，高、低压转子转速误差均低于0.5％，涡轮后燃气温度低于4°C，推力预测相对误差小于0.4％，满足控制算法设计与仿真的需要。

摘要： SVM是一种较好的航空发动机模型辨识方法，但为提高其泛化推广能力，其算法本身存在参数优化选取问题。为解决支持向量机的参数优化问题，提高支持向量机模型的精度，提出一种云自适应粒子群优化算法。该优化算法以模型预测误差最小化为目标，以粒子群算法为寻优策略；在粒子群惯性权重调整过程中，根据粒子适应度分布进行正态云模型的有序随机映射，自适应更新惯性权重，提高收敛速度。基于台架试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明，高、低压转子转速误差均低于0.5％，涡轮后燃气温度低于4°C，推力预测相对误差小于0.4％，满足控制算法设计与仿真的需要。

摘要： SVM是一种较好的航空发动机模型辨识方法，但为提高其泛化推广能力，其算法本身存在参数优化选取问题。为解决支持向量机的参数优化问题，提高支持向量机模型的精度，提出一种云自适应粒子群优化算法。该优化算法以模型预测误差最小化为目标，以粒子群算法为寻优策略；在粒子群惯性权重调整过程中，根据粒子适应度分布进行正态云模型的有序随机映射，自适应更新惯性权重，提高收敛速度。基于台架试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明，高、低压转子转速误差均低于0.5％，涡轮后燃气温度低于4°C，推力预测相对误差小于0.4％，满足控制算法设计与仿真的需要。

摘要： 一种检测外来物体是否接近无线功率传输系统(WPTS)中发射线圈的方法，该方法包括：将伪随机信号应用到发射线圈上；在将伪随机信号应用到发射线圈上的同时，记录响应于所应用的伪随机信号而在WPTS内生成的一个或多个信号；通过使用记录的该一个或多个信号，生成用于WPTS的某些方面的动态系统模型；以及与存储的训练数据相结合地使用所生成的动态系统模型，从而确定特征可从存储的训练数据中被识别为是外来物体特征的物体是否接近发射线圈。

摘要： 一种检测外来物体是否接近无线功率传输系统(WPTS)中发射线圈的方法，该方法包括：将伪随机信号应用到发射线圈上；在将伪随机信号应用到发射线圈上的同时，记录响应于所应用的伪随机信号而在WPTS内生成的一个或多个信号；通过使用记录的该一个或多个信号，生成用于WPTS的某些方面的动态系统模型；以及与存储的训练数据相结合地使用所生成的动态系统模型，从而确定特征可从存储的训练数据中被识别为是外来物体特征的物体是否接近发射线圈。

摘要： 本发明公开了一种用于非线性系统辨识的最大长序列优选方法及系统，该系统包括m‑序列产生单元、位移函数计算单元、允许可取切片长度计算单元、最优m‑序列选取单元。该方法包括：根据预设的本原多项式的阶数从而产生相对应的m‑序列；计算每一个m‑序列所对应的位移函数和允许可取切片长度；从所有m‑序列各自所对应的允许可取切片长度中选出数值最大的允许可取切片长度，所述选出的允许可取切片长度所对应的m‑序列作为最优m‑序列。通过使用本发明的方法和系统，能有效地避免在计算核切片时可能产生的重叠失真，极大地提高了辨识准确度。本发明一种用于非线性系统辨识的最大长序列优选方法及系统可广泛应用于生物医学信号处理领域中。

摘要： 本发明公开了一种针对带扰动的非线性系统辨识方法，包括以下步骤：A、将待辨识的工业控制系统转化为带扰动的非线性系统模型，所述非线性系统由一个非线性环节和一个线性环节组成，即输出误差类型的哈默斯坦系统；B、将上述带扰动的非线性系统模型分解成两个子模型：系统无噪声输出子模型和扰动子模型；C、更新系统参数构建Pζ(k)和eζ(k)，更新参数令k＝k+1，返回步骤A，直到满足截止条件D、辨识所述工业控制系统的参数和扰动。本发明能够改进现有技术的不足，收敛速度块、辨识精度高。

摘要： 本发明公开了一种基于参数分离的Wiener非线性系统辨识方法，包括以下步骤：A、将待识别的火电厂控制系统转化为Wiener非线性系统，将待识别的火电厂控制系统的输入量进行合并；B、对Wiener非线性系统进行分析，包括系统线性动态部分结构、系统非线性静态部分结构、动态干扰类型、测量噪声；确定na、nb和nc，设定初始值，重复收集输入数据u(k)和y(k)，直至k≥na+n，k≥nb+n；C、将Wiener非线性系统时不变参数和时变参数分离；D、对Wiener非线性系统进行辨识；E、当辨识得到的模型不满足要求时，返回步骤A，重新调整模型结构和初始值，重新辨识，直到得到满足要求的系统模型。本发明能够改进现有技术的不足，提高了对于Wiener非线性系统辨识的精度和收敛速度。

摘要： 本发明提出了一种基于结构自适应滤波的非线性系统辨识方法，其步骤如下：获得辨识对象的输入数据和相应的输出数据并作为数据集，将数据集分为训练集和测试集；构建自适应滤波模型：根据生成参数随机的选择一阶子系统和二阶子系统，各个子系统按照连接规则进行随机级联，构成完整的自适应滤波滤波模型；初始化演化算法，选出最优的自适应滤波滤波模型；演化算法进行循环迭代，找到最优的自适应滤波模型的最优的结构和参数；利用训练好自适应滤波模型进行测试，得到辨识对象的实际输出。本发明利用非线性自适应滤波模型学习典型液体饱和蒸汽换热器的非线性过程，可以找到最优估计；误差小，精度高，所用参数较少，具有显著的非线性系统识别能力。

摘要： 本发明公开了一种用于非线性系统辨识的最大长序列优选方法及系统，该系统包括m‑序列产生单元、位移函数计算单元、允许可取切片长度计算单元、最优m‑序列选取单元。该方法包括：根据预设的本原多项式的阶数从而产生相对应的m‑序列；计算每一个m‑序列所对应的位移函数和允许可取切片长度；从所有m‑序列各自所对应的允许可取切片长度中选出数值最大的允许可取切片长度，所述选出的允许可取切片长度所对应的m‑序列作为最优m‑序列。通过使用本发明的方法和系统，能有效地避免在计算核切片时可能产生的重叠失真，极大地提高了辨识准确度。本发明一种用于非线性系统辨识的最大长序列优选方法及系统可广泛应用于生物医学信号处理领域中。

摘要： 本发明公开了一种基于区间二型模糊的T‑S模糊模型非线性系统辨识方法，涉及自动控制技术领域。该T‑S模糊模型非线性系统辨识方法区间二型模糊C均值聚类进行非线性系统前件参数的辨识，采用最小二乘算法辨识非线性系统的后件参数，并将实时采集非线性系统的条件参数，输入确定前件参数和后件参数的T‑S模糊模型中，预测出非线性系统的决策变量估计值。本发明T‑S模糊模型非线性系统辨识方法大大提升了辨识精度。

摘要： 本发明公开了一种基于张量积B样条的非线性系统辨识方法，首先采用非线性自回归模型NARX对非线性动态系统进行描述，然后基于张量积网络B样条对NARX模型进行辨识，采用基于交替线性格式的迭代方法，直接估计用于逼近高维B样条的低秩张量网络，消除了显式构造指数倍权张量的需要；最后通过TT核的正交性确保数值稳定性，对噪声鲁棒并且保证单调收敛，获得非线性系统的鲁棒辨识结果；本发明通过在非线性系统上的数值实验证明了该辨识方法的效率和准确性。

摘要： 本发明公开了一种基于参数分离的Wiener非线性系统辨识方法，包括以下步骤：A、将待识别的火电厂控制系统转化为Wiener非线性系统，将待识别的火电厂控制系统的输入量进行合并；B、对Wiener非线性系统进行分析，包括系统线性动态部分结构、系统非线性静态部分结构、动态干扰类型、测量噪声；确定na、nb和nc，设定初始值，重复收集输入数据u(k)和y(k)，直至k≥na+n，k≥nb+n；C、将Wiener非线性系统时不变参数和时变参数分离；D、对Wiener非线性系统进行辨识；E、当辨识得到的模型不满足要求时，返回步骤A，重新调整模型结构和初始值，重新辨识，直到得到满足要求的系统模型。本发明能够改进现有技术的不足，提高了对于Wiener非线性系统辨识的精度和收敛速度。