基于进化粒子群优化的非线性系统辨识

为解决复杂非线性系统的辨识问题,提出了一种基于进化粒子群优化算法的非线性系统辨识方法.在标准粒子群优化算法的基础上引入一种进化策略, 增加粒子的多样性.在算法迭代寻优的过程中, 通过对群体中的粒子进行选择、变异等进化操作, 构造进化粒子群优化算法, 提高算法的全局搜索能力.将非线性系统辨识问题转化为非线性连续域优化问题, 利用进化粒子群优化算法进行并行、高效搜索, 以获得该优化问题的解.通过对多输入单输出的Wiener-Hammerstein模型进行辨识, 验证了该方法的正确性和可行性.     

基于差分进化算法的二阶时滞系统参数辨识

针对二阶时滞系统的参数辨识问题，提出一种根据阶跃响应估计系统未知参数的新方法。该方法首先求解出二阶时滞系统阶跃响应函数表达式；然后通过定义目标函数，将参数估计问题转化为非线性最小化问题。为求解目标函数的最优解，提出采用差分进化算法对目标函数进行优化的方法。在该方法中，采用“either-or”策略以减小控制参数设置对差分进化算法性能的影响。通过仿真试验，分别研究了所提方法在不同噪声条件下的参数辨识性能。试验结果表明，所提方法具有较快的收敛速度、较高的参数估计精度和较好的抗噪声能力。所提方法可有效解决二阶时滞系统的参数估计问题。     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

基于混合生物地理学算法的非线性系统辨识

针对非线性系统辨识问题,由于传统辨识方法存在精度低收敛慢等缺点,提出了一种采用混合生物地理学算法的非线性系统辨识方法.混合算法是在对生物地理学算法进行改进的基础上与差分进化算法相结合,通过适当地融合具有不同搜索能力的优化算法,使得混合算法的开采能力和探索能力得到更好的增强和平衡.通过对Wiener模型进行参数辨识,并与生物地理学算法和差分进化算法进行比较,仿真结果表明,利用混合生物地理学算法能够提高辨识精度并获得良好的辨识效果,验证了混合算法的有效性和可行性.     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.本文利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力。     

基于混合量子进化计算的混沌系统参数估计

混沌系统参数估计本质上是一多维参数优化问题.为精确估计混沌系统的未知参数,本文提出一种混合量子进化算法(HQEA)用于求解该优化问题,该方法采用实数量子角形式表示染色体,用量子比特的概率作为个体的当前位置信息;提出由差分进化计算更新量子位置状态的量子差分进化算法(QDE),并将其与实数编码量子进化算法(RQEA)相融合,以便令算法在解空间的全局探索和局部开发能力之间取得平衡.算法还引入量子非门算子,对当前最佳个体中按某个概率选中的量子比特位,进行变换操作,以便增强算法跳出局部最优解的能力.基准函数测试表明混合算法的全局搜索能力及可靠性都有很大改善.通过Lorenz混沌系统进行数值仿真,结果表明了该混合算法的有效性.     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.     

一种基于差分进化算法的多模型建模方法

针对非线性系统的多模型建模问题,基于差分进化算法提出了一种优化建模方法.从系统的输入输出数据出发,将样本空间分割与局部模型建立相结合,首先将PWA辨识问题转化为MIQP问题;然后采用自适应混沌差分进化算法对模型数量及模型参数同时优化;最后利用支持向量基求取分割曲面方程.仿真结果表明,该方法能以最优的线性子模型集准确地逼近非线性系统.     

基于Pareto协同进化算法的TS模糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法．该方法由以下两步组成：1）采用模糊聚类算法辨识初始模型;2）利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化．Pareto协同进化算法由规则前件种群和隶属函数种群组成,其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略．利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性．     

基于Pareto协同进化算法的TS糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法.该方法由以下两步组成:1)采用模糊聚类算法辨识初始模型;2)利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化.Pareto协同进化算法由规则前件种群和隶属函数种群组成, 其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略.利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性.     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

Self-tuning type variable structure control method for a class of nonlinear systems

In this paper we propose a new self-tuning type Variable Structure Control (VSC) method for a class of nonlinear dynamical systems with parametric uncertainties. The controller is designed to satisfy the sliding mode condition; mean-while the on-line parameter identification is incorporated in the control system. Necessary modifications are made for the parameter identification to avoid the control singularity problem. By virtue of the sliding mode, the proposed identification algorithm can be applied to those nonlinear systems which may not be linear in parametric space but are linear while in the sliding mode. A model-based strategy is further introduced to estimate the uncertainty bound. The new approach attains the gain scheduling property by tuning the switching gain in accordance with the estimated system uncertainties, that is, the switching gain decreases asymptotically while the sliding mode condition is still maintained. © 1998 John Wiley & Sons, Ltd.     

A hybrid clustering and gradient descent approach for fuzzymodeling

In this paper, a hybrid clustering and gradient descent approach is proposed for automatically constructing a multi-input fuzzy model where only the input-output data of the identified system are available. The proposed approach is composed of two steps: structure identification and parameter identification. In the process of structure identification, a clustering method is proposed to provide a systematic procedure to determine the number of fuzzy rules and construct an initial fuzzy model from the given input-output data. In the process of parameter identification, the gradient descent method is used to tune the parameters of the constructed fuzzy model to obtain a more precise fuzzy model from the given input-output data. Finally, two examples of nonlinear system are given to illustrate the effectiveness of the proposed approach.     

遗传规划和进化策略混合算法及应用

文中把函数拟合建模看作是模型结构和参数的优化搜索过程,将遗传规划和进化策略结合起来对函数拟合的结构和参数共存且相互影响的复杂解空间进行全局最优搜索实现拟合结构和参数的共同识别。克服了传统的函数拟合完全依赖于数据、精度低、结构与参数分别确定这样一“串行”计算结构等缺陷。实验数据表明,该方法得到的拟合函数比传统方法得到的拟合函数,具有较高的精度和推广预测能力。     

Parameter identification of chaotic systems by hybrid Nelder–Mead simplex search and differential evolution algorithm

Parameter identification of chaotic systems is an important issue in nonlinear science and has attracted increasing interest from a variety of research and application fields. Essentially, parameter identification can be formulated as a multi-dimensional optimization problem. By combining differential evolution (DE) and Nelder–Mead (NM) simplex search, an effective hybrid algorithm named NMDE is proposed in this paper. By suitably fusing the DE-based evolutionary search and NM simplex-based local search, exploration and exploitation abilities can be well balanced and satisfactory optimization performances can be achieved. The NMDE hybrid algorithm is applied to parameter identification of several typical chaotic systems. Numerical simulation and comparisons with some typical existing algorithms demonstrate the effectiveness and robustness of the proposed hybrid NMDE algorithm. Moreover, the effects of noise and population size on the performances of NMDE are investigated as well.     

On-line system identification of complex systems using Chebyshev neural networks

This paper proposes a computationally efficient artificial neural network (ANN) model for system identification of unknown dynamic nonlinear discrete time systems. A single layer functional link ANN is used for the model where the need of hidden layer is eliminated by expanding the input pattern by Chebyshev polynomials. Thus, creation of nonlinear decision boundaries in the multidimensional input space and approximation of complex nonlinear systems becomes easier. These models are linear in their parameters and nonlinear in the inputs. The recursive least squares method with forgetting factor is used as on-line learning algorithm for parameter updation. The good behaviour of the identification method is tested on Box and Jenkins Gas furnace benchmark identification problem, single input single output (SISO) and multi input multi output (MIMO) discrete time plants. Stability of the identification scheme is also addressed.     

A hybrid neural-genetic multimodel parameter estimation algorithm

We introduce a hybrid neural-genetic multimodel parameter estimation algorithm. The algorithm is applied to structured system identification of nonlinear dynamical systems. The main components of the algorithm are: 1) a recurrent incremental credit assignment neural network which computes a credit function for each member of a generation of models; and 2) a genetic algorithm which uses the credit functions as selection probabilities for producing new generations of models. The neural network and genetic algorithm combination is applied to the task of finding the parameter values which minimize the total square output error: the credit function reflects the closeness of each model's output to the true system output and the genetic algorithm searches the parameter space by a divide-and-conquer technique. The algorithm is evaluated by numerical simulations of parameter estimation for a planar robotic manipulator and a waste water treatment plant.     

大气中二氧化碳污染与气候演化关系的胞映射计算研究

改进了简单胞映射算法,应用于具有外源强迫特性的Saltzman气候模式——能量平衡气候模式的计算分析,从而有效、动态和直观地揭示大气环境中海温、海冰冰界和二氧化碳浓度之间非线性耦合的相互作用及其整个大气系统的复杂演化过程,得到了在给定控制参数下胞映射吸引子和各步吸引域在胞映射相空间中的分布图形,刻划了系统长期演化的全局性态。另外,通过调试A参数还发现它对系统准稳态演化过程的影响敏感,参数A值过于简化可能导致系统信息丢失。     

Winkler地基梁动力学系统的无量纲化与参数识别

为简化Winkler地基梁动力学系统的双参数识别计算,提出一种新无量纲方法,通过对系统时间、空间坐标进行线性变换,实现动力学方程系数的彻底归一化,得到与系统参数解耦的广义频率方程,发现频率、频率比仅由无量纲梁长决定的本质.提出基于频率比互等关系的双参数识别算法,该算法通过对广义频率方程进行一次求解即可在相应边界条件下得到频率、频率比关于无量纲梁长的预解集,在得到该系统任意两阶实测频率后,即可依托于时间、空间还原系数所建立的线性转换关系实现对双系统参数的定解.较之于传统双参数识别算法,该算法具有两个特点：(1)识别计算仅涉及单变量超越方程的求解与线性转换,避免了双参数超越方程组的非线性迭代问题,可使识别计算得到有效简化.(2)任意系统参数值的变化仅影响时空、空间还原系数的大小,预解集具有适用于系统参数值任意变化的一般性,可有效避免因系统参数值改变而导致重复迭代的情况,实现了解的一般化.