基于ANN的动态系统状态方程辨识建模仿真

对系统辨识原理、基于神经网络（ANN）的动态系统辨识进行了分析，针对动态系统辨识模型描述的复杂性，为简化ANN辨识建模的输入／输出关系的表达，提高算法的简洁性，采用了状态方程辨识模型，并给出了基于ANN的动态系统状态方程辨识模型。为比较分析不同网络结构的辨识建模效果及网络模型泛化能力，针对三种不同网络结构方案进行了辨识建模仿真研究。仿真结果最示，基于ANN的动态系统状态方程模型的辨识建模是有效的，并且简单合理的网络结构方案，可提高网络辨识模型的泛化能力。     

基于Hammerstein-Wiener模型的CSTR反应器辨识

针对化工过程中广泛应用的连续搅拌反应釜（CSTR）反应器，提出一种新的基于极限学习机的Hammerstein-Wiener模型的辨识建模方法。其中，Hammerstein-Wiener模型的两个非线性环节采用两个不同的极限学习机逼近，线性环节采用自回归ARX模型。因极限学习机的特殊结构，此模型可以表示成线性回归的形式，最终利用广义最小二乘法求解模型的参数。此方法辨识过程简单，辨识过程的计算量较小。最后对CSTR的辨识结果表明，在相同条件下与基于多项式的Hammerstein模型和ARX-LSSVM Hammerstein模型相比，该方法具有较高辨识精度，表明了该方法的有效性。     

模型在线辨识方法及其应用

本文提出了一种有效的非线性模型和参数在线估计方法。为了实现模型在线辨识，本文根据误差性能指标，给出了模型判据及计算式。根据递推加权最小二乘算法和优选判据，导出了模型和参数同时在线估计的有效算法。为了提高计算效率和数值稳定性，模型辨识和参数辨识均采用了Ｕ－Ｄ分解方法。新方法可用于飞行器非线性气动模型和参数的实时估计。实际应用结果表明，使用该方法可以有效地确定多项式、样条函数模型结构，参数辨识的结果满     

一种根据模糊辨识结果设计控制器的方法

本文提出了一种根据模糊辨识结果设计状态反馈控制器的方法。以国产300MW燃煤机组的燃料量-主汽压模型为例，模糊辨识得出其模型，然后设计状态反馈控制器。MATLAB仿真研究表明，采用该方法辨识精度高，控制效果良好；验证了其可行性和有效性。     

数据驱动的蒸发器在线建模方法

针对蒸发器离线建模方法对变量运行工况范围要求较大的问题，利用K-means算法对辨识模型的观测数据进行聚类筛选处理，提出一种基于数据的蒸发器在线建模方法。首先利用DB准则和PSO算法提出K-means算法中最优分类数K*和最优初始聚类中心的确定方法，提高算法的收敛速度，并使用改进的K-means算法获得各簇聚类中心来代替辨识模型的观测数据，减少模型辨识的数据量。然后利用已有的蒸发器模型结构以及模型辨识方法，对模型进行辨识。实验结果表明：利用聚类筛选前、后的观测数据所辨识的模型精度基本相当，分别在±3%和±3.5%以内。最后利用在线观测数据到各聚类中心欧氏距离的分析判断，提出蒸发器的在线建模方法。该方法可以先采用小工况范围的少量离线数据辨识模型，再利用在线数据修正模型参数，扩大模型的适用范围。     

基于闭环辨识的柴油机模型研究

论文首先分析了柴油机闭环辨识的条件和柴油机的理论数学模型,然后采用ARX模型辨识出柴油机控制系统模型.辨识的输入输出数据分别采用柴油机闭环控制系统的齿条位移和输出转速,模型参数估计采用最小二乘法,最后通过残差分析对模型的正确性进行验证.辨识结果表明该模型能够很好地反映柴油机的动态输出特性,并具有较高的精度,证明了ARX模型辨识算法对于柴油机系统的辨识是可行的.     

基于最小二乘支持向量机的T-S模型在线辨识

提出一种基于时间窗最小二乘支持向量机的T-S模型在线辨识算法，包括结构辨识和参数辨识．该算法以时间窗内数据的势能作为结构辨识依据，同时采用最小二乘支持向量机辨识系统参数：具有辨识速度快、精度高的特点．仿真结果证明了算法的有效性．     

神经网络并联辨识算法的收敛性研究

神经网络可用来建立非线性动态系统的模型，其辨识模型可分为串联并联辨识模型和并联辨识模型两种，后者的思路源于基于参考模型自适应方案的输出误差辨识模型，对观测扰动有较强的抑制能力。本文对这种神经网络并联辨识结构的收敛性进行了研究，指出在网络参数满足一定条件时并联预测过程收敛，且并联辨识算法具有局部收敛性，仿真实验验证了上述结论。     

飞机极曲线模型和参数鲁棒辨识方法

为了有效地确定飞机极曲线，提出一种鲁棒选择模型的新方法，通过分析数据矩阵模型判定方法，采用U—D分解以避免行列式的复杂计算，从而成倍提高了计算效率，通过估计D阵元素的取值区间，得到了观测量不确定部分带来的模型辨识判据的误差上下界，依此将候选按照重要程度逐个选取，在加权最小二乘算法中，采用下界不等式逼近，得到了鲁棒辨识的新算法和收敛条件，对飞机极曲线的模型和参数进行辨识，结果表明新方法可以得到工程上满意的效果。     

双缺液压电梯的建模与仿真

在对双缺液压电梯进行建模与仿真时，直接由其机理建模非常复杂，得不到可用于控制的数学模型，因此采用辨识的方法（即实测辨识方法和机理仿真方法）建立其模型，最后用MATLAB对所建模型进行了仿真比较，结果表明所见模型是比较合适的。     

带动量批处理梯度下降法对模型的动态辨识

针对生产过程中参数容易受外界影响而改变，传统的系统辨识方法难以得到精确的数学模型的实际情况，介绍一种用改进的BP神经网络辨识对象模型的方法。采用串一并联型的辨识结构；针对BP算法收敛速度慢，容易陷入局部最小的缺点，提出了带动量的批处理梯度下降的方法；为了更有效地辨识对象的动态过程模型，其输入／输出加上按拍延迟线。用MATLAB对该改进的BP神经网络辨识方法进行了设计、仿真和性能分析，结果表明：该方法具有良好的辨识能力。     

液压伺服系统建模的新方法

针对液压伺服系统中直接用测量的方法来建立伺服阀死区非线性的模型非常困难的现状，该文充分利用了现有的对液压伺服系统模型的认识，用RBF神经网络来代替伺服阀锴区非线性部分的模型，设计了一个带神经网络的辨识器。该辨识器采用了迭代最小方差（RLS）学习算法对系统进行建模，最后，用Matlab/Simulink中的S－Function模块实现了上述辨识器的编程，并进行了仿真。仿真结果表明，所设计的辨识器能较好的解决液压伺服系统的建模问题。     

基于模型分解算法模型辨识器的设计与应用

介绍了模型辨识器的设计和实际应用.模型辨识器的辨识算法采用基于模型分解方法的辨识算法,软件设计上采用模块化的程序设计原则.辨识器从实用性出发,注重辨识的速度、简洁,可以方便给出系统对象的阶次、参数和时延的无偏估计,可以灵活地对多变量系统进行辨识,辨识出的模型有利于控制器的设计.还对一个实际的装置进行了应用研究,获得的结果是精确的,说明了该软件的有效性和实用性.     

利用递推增广矩阵辨识加速度计的参数

介绍了加速度计的基本工作原理和结构模型,将加速度计的微分方程转换成差分方程,在传统最小二乘法辨识的基础上,采用递推增广矩阵的辨识方法对加速度计的参数模型进行辨识.通过Matlab对其仿真,得到被辨识参数的估计值与曲线图,说明采用递推增广矩阵辨识方法辨识系统参数具有辨识速度快、辨识精度高、辨识结果准确等特点.     

基于时间注意力机制的时滞混沌系统参数辨识模型

针对时滞混沌系统在时滞未知条件下的参数及时滞辨识问题，提出基于时间注意力机制的时滞混沌系统参数辨识模型——PINN-TA。首先，采用时间注意力机制提取系统状态序列的关联特征，以实现对系统时滞的辨识；其次，利用循环神经网络（RNN）隐式地近似系统微分方程，形成关于系统参数的代数方程；最后，将代数方程的根作为参数辨识的结果。分别以时滞Logistic方程、Ikeda微分方程和Mackey-Glass混沌系统等典型时滞混沌系统作为待辨识系统，对PINN-TA模型和多种智能搜索算法进行对比实验。仿真结果表明，相较于人工雨滴算法（ARA）、混合布谷鸟搜索算法（HCS）、全局花朵授粉算法（GFPA）、元胞自动机鲸鱼算法（CWA）等现有智能搜索算法，PINN-TA模型对参数和时滞的辨识误差降低了90.31%～99.36%，且辨识耗时缩短至18.59～19.43 ms。可见，PINN-TA模型能够满足精度和实时性要求，为时滞混沌系统参数及时滞辨识提供可行的解决方案。     

基于分层遗传算法的模型结构与参数的同步辨识

提出采用分层遗传算法（HGA）辨识连续系统的新方法。在Matlab和Simulink环境下,建立了模型辨识的优化模型,并采用HGA求解。仿真实验结果表明,该方法能准确、高效地同步辨识对象的模型结构和参数。     

基于神经网络可调模型的直接转矩控制系统速度辩识

基于无速度传感器辨识精度和动态性能的提高,在传统的模型参考自适应(MRAS)速度辨识模型的基础上,参考模型采用转子磁链电压模型。应用神经网络理论,对其可调模型进行了改进。并在无速度传感器直接转矩控制系统中对该速度辨识模型进行了研究,仿真结果验证了该速度辨识模型具有满意的辨识精度和动态性能。     

基于人工神经网络的Hammerstein模型辨识

证明了Ｈａｍｍｅｒｓｔｅｉｎ模型在有色噪声情况下，可利用系统的稳态信息辨识模型的非线性增益，并提出了神经元网络的辨识方法。利用系统的动态信息，运用一般的辅助变量法可辨识Ｈ模型的线性子系统。仿真结果表明该方法辨识精度高，具有一定的实用性。     

飞机颤振模态参数辨识的频域广义整体最小二乘算法

采用一种适用于噪声环境的广义整体最小二乘算法，准确地辨识飞机的颠振模态参数．该算法结合有理传递函数模型，将带噪系统的辨识问题转化为广义整体最小二乘问题．利用线性的广义奇异值分解求解模型系数，避免了非线性优化的复杂计算．通过迭代法更新加权项，获得了接近于极大似然估计的辨识效果．最后利用试飞试验数据辨识飞机的模态参数，验证了该方法的有效性．     

基于减法聚类的多模型在线辨识算法

考虑到实际工业过程中复杂系统的工况变化往往具有不确定性的特点, 离线辨识的多模型系统难以自适应反映系统的非线性, 因此本文提出一种新的基于减法聚类的多模型在线辨识算法. 首先采用在线聚类算法辨识多模型系统中的局部模型个数与工况参数, 然后充分考虑聚类发生变化对局部模型参数辨识的影响, 给出相应的局部模型参数在线辨识算法. 最后以某电厂300MW锅炉--汽轮机的协调控制系统为对象, 采用上述辨识方法进行仿真研究, 结果验证了本文算法的有效性.