两输入两输出(TITO)系统的基于频域的闭环辨识方法

提出了一种面向工程应用的两输入两输出(TITO)过程的在线闭环辨识方法。该方法首先通过两个设定值阶跃测试估出频率响应,然后再通过在频域中多个点处模型匹配辨识出过程的传递函数矩阵。该辨识方法只需要过程的输入输出响应数据,不需要过程动态特性的先验知识。典型的TITO过程的仿真结果证明了该方法的有效性和实用性。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

液压及气动系统建模新方法——正交多项式辨识法

本文应用移位一般形式正交多项式进行系统辨识,并用于建立电液恒压泵和电气位置伺服系统的数学模型。本文方法可同时求得系统连续时间模型的未知参数和时延时间。整个辨识过程只需利用简单的系统响应信号(如阶跃响应)即可完成,不需附加的辨识激励信号。所以,这种方法具有更强的工程实用性。实践表明,本文所用方法的辨识结果具有令人满意的精度和稳定性,它可方便地推广至其他实际系统的模型辨识。     

一类非线性系统稳态模型辨识方法

针对一类非线性系统，本文提出了一种辨识其稳态模型的新方法，并得到了稳态模型的强一致性估计。识输入信号为优化过程中设定点的正常阶跃变化信号，本文还研究了估计残差的渐近分布和残差收敛速度，最一的计算机数字仿真显示了该方法的有效性和实用性。     

热工过程建模方法的研究及其应用

介绍了ＣＴＥＳ—１控制技术实验系统中有关系统建模方面的内容。在该系统中包括有两种建模方法：阶跃响应法和相关分析辨识法．传统的阶跃响应法具有简便、直观、建模速度快等优点，当机组运行条件允许进行阶跃实验时，这种方法有很大的实用价值。相关分析辨识法克服随机干扰能力较强，对运行过程的干扰小，能得到较精确的数学模型。     

一类非线性系统稳态优化新方法

本文针对多变量Ｈａｍｍｅｒｓｔｅｉｎ系统，提出了利用优化过程中设定点变化的阶跃信号，辨识系统稳定模型，从而得到稳态最优解的方法，仿真结果表明了该方法的有效性和实用性。     

双线性工业过程稳态模型辨识新方法

针对双线性模型描述的工业过程的优化控制的稳态模型建立须在人为干扰很小的条件下进行,提出了利用优化过程中设定点的阶跃信号作为输入信息,在Fi为可逆矩阵的假设下,获取其稳态模型的辨识方法。该方法新颖、简洁、精度高、对生产过程干扰少,仿真结果显示了方法的有效性和实用性。     

阶跃响应法在液压系统数学模型辨识中的应用

本文综合评述了阶跃响应法辨识线性定常系统数学模型的各种方法,提出一种改进的求液压系统数学模型的阶跃响应辨识方法、给出了一个在液压伺服系统中辨识的实例。     

基于小波基神经网络PID的直流电机伺服控制

通过一种新颖的小波基神经网络对未知数学模型的对象进行在线辨识,得到对象的数学模型———Jacob ian信息,并提出了神经网络与模糊控制算法共同在线调整PID参数的方法,从而实现电机位置的准确、快速、实时地跟踪.通过仿真和实验表明:使用该自适应控制方法,能够对位置准确跟踪,基本克服了一般神经网络控制对初始权值的依赖,大大提高了对未知模型的辨识精度,改善了系统的动态响应品质,增强了系统的鲁棒性.     

利用功率扰动辨识水电站水力系统模型

结合某抽水蓄能电站机组现场试验,利用功率扰动下实测数据进行具有复杂输水系统的大型机组水力系统模型辨识.该辨识方法输入信号通过调整调速器给定功率获取,并不影响机组的正常试验和运行.使用增广最小二乘法进行辨识计算,利用先验知识检验、阶跃响应检验和残差白噪声检验三种方法对辨识结果进行验证.结果表明,所得辨识模型可信,利用功率扰动辨识水电站水力系统模型的方法可行.     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，辨识出非线性对象的延迟时间的方法，将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制，同时，以10t／h链条炉作为研究对象进行仿真，仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

基于一种改进BP神经网络的一类非线性系统辨识方法

对一类非线性系统的辨识方法进行了讨论。辨识模型为一个改进的神经网络,该神经网络包括:线性网络和BP神经网络。对线性网络的模型选择和多层前馈网络的关系做了细致的研究, 并分别进行了仿真。仿真结果表明,该系统辨识方法对于一类非线性系统具有很好的辨识作用。     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

基于径向基神经网络的双馈风力发电机低电压穿越控制研究

根据风力机能量转化机理及风电机组运行状态,建立了双馈感应发电机(DFIG)完整的5阶数学模型,分析了其电流控制方案,提出了一种基于径向基(RBF)神经网络辨识的PI控制器自适应控制算法.利用RBF神经网络进行在线辨识,并根据被控对象的Jacobian信息在线调整PI控制器参数,以改善系统的动态响应特性和提高系统的低电压穿越(LVRT)能力.通过构建系统的Simulink仿真模型进行仿真.结果表明,该控制算法有效地抑制了由电压跌落引起的电流震荡,缩短了系统的故障恢复时间,增加了系统的自适应性和鲁棒性,从而提高了系统的低电压穿越(LVRT)能力.     

基于神经网络的三容水箱液位控制系统辨识

针对三容水箱液位控制系统的滞后、非线性特性,难以用传统的机理方法进行辨识,提出了用BP网络辨识该系统的方法。采用并联型辩识结构,训练网络采用Levenberg-Marquardt算法和BFGS拟牛顿算法,仿真结果表明,这两种算法用于BP网络辨识该系统效果较好。     

基于切换增益调节的神经滑模控制的机器人位置跟踪

针对机器人的位置轨迹跟踪问题,提出一种基于切换增益调节的神经网络滑模控制方法。首先设计基于机器人位置的滑模控制器模块,然后通过神经网络来调节滑模控制器中的切换增益,使得切换增益能随着外界干扰作用等不确定项的改变而改变,从而能实时地估计切换增益,解决传统滑模控制中的抖振问题,最后,以双臂机器人为对象,采用MATLAB仿真软件对该控制算法进行了验证。结果表明,与传统的滑模控制相比较,该方法能使机器人更好地跟踪期望的位置轨迹,并有效地减轻了抖振。     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

基于BP神经网络的虚拟手术实时仿真技术研究

在人体腿部的虚拟仿真研究中，建立有限元模型并进行生物力学特性分析是一种有效的方法．但由于有限元模型数据量大，解算时间长，并且难以与既有系统融合，因此不适合在实时的手术培训和手术预演中应用．为了提高虚拟手术仿真系统进行实际作业的能力，笔者提出了以BP神经网络模型来代替有限元模型，实现实时的生物力学响应．并结合已有的医疗机器人辅助接骨虚拟现实仿真手术系统，构建了系统实验平台．实验结果证明，人体腿部的BP神经网络模型能够完全满足手术仿真所需的实时性要求．