基于Householder变换的贪婪正交最小二乘辨识算法

针对含有未知时滞的多输入受控自回归系统模型的时滞与参数辨识问题,基于Householder变换探讨一种贪婪正交最小二乘辨识算法.首先,由于各输入通道的时滞未知,通过设置输入数据回归长度对系统模型进行过参数化,得到一个含有稀疏参数向量的高维辨识模型;其次,为了避免最小二乘算法中对高维协方差矩阵的求逆运算,利用Householder变换对信息矩阵进行正交分解,推导基于Householder变换的正交最小二乘算法;然后,为了提高辨识效率,降低辨识成本,推导基于Householder变换的贪婪准则,进而得到基于Householder变换的贪婪正交最小二乘辨识算法,该算法能够在少量采样数据的条件下获得稀疏参数向量的估计值;最后,根据估计的稀疏参数向量的结构得到系统时滞估计.仿真结果表明了所提出算法的有效性.     

非线性系统的参数空间分割辨识方法

本文提出了一种新的非线性系统Volterra级数模型辨识方法,为非线性系统辨识中 的“维数灾难”问题提供了一种满意的解决．算法中参数空间分割和模型辨识同时完成,降 维依据采用输出拟合结果的均方误差,最终得到输出拟合均方误差意义上的准最优解．本算 法也可以作为非线性系统模型的结构辨识算法,并可以直接推广应用于其它很大一类非线性 系统模型．仿真试验结果表明,算法计算量小,精度高,并具有较好的稳定性,可以应用于 在线实时辨识．     

有理模型辨识的两类新方法-----混合迭代与柔性最小二乘法

针对有理模型提出两类辨识方法.首先提出基于递阶辨识思想的混合辨识方法,将模型分解为分子和分母两个子模型,分别用最小二乘法辨识分子参数,用粒子群算法和智能多步长梯度迭代算法辨识分母参数.由于降低了模型维数,且信息向量与噪声不相关,相对于传统的偏差补偿最小二乘算法,混合迭代法可以提高辨识精度并降低计算量.然后,为消除模型结构已知的假设,且充分利用最新数据更新系统参数,提出柔性递推最小二乘辨识方法,将有理模型转化为时变参数系统,进而辨识出时变系统的参数.仿真例子验证了所提出方法的有效性.     

多变量系统的耦合梯度辨识算法与性能分析

针对多变量系统维数大、参数多、一般的辨识算法计算量大的问题, 基于耦合辨识概念, 推导多变量系统的耦合随机梯度算法, 利用鞅收敛定理分析算法的收敛性能. 算法的主要思想是将系统模型分解为多个单输出子系统,在子系统的递推辨识过程中, 将每个子系统的参数估计值耦合起来. 所提出算法与最小二乘算法和耦合最小二乘算法相比, 具有较少的计算量, 收敛速度可以通过引入遗忘因子得到改善. 性能分析表明了所提出算法收敛, 仿真实例验证了算法的有效性.

     

二阶Volterra变记忆长度LMP算法

针对实际应用中非线性系统记忆长度未知致使Volterra自适应滤波器可能无法达到最优性能的问题,提出一种二阶Volterra变记忆长度LMP算法。利用Volterra滤波器二阶权系数矩阵的对称性和对称矩阵可对角化分解性质,推导得到了一阶权系数与二阶权系数个数相同的信号矢量与权系数矢量内积的二阶Volterra滤波器输出信号表达式;提出了基于DCT的二阶Volterra自适应滤波器（CSVF）及其LMP算法（CSVLMP）;采用FIR抽头长度的自适应调整思想,提出了基于DCT的二阶Volterra变记忆长度LMP算法（CSVMLMP）。记忆长度未知的非线性系统辨识的仿真结果表明,在[α]稳定分布噪声背景下,该算法在收敛速度、稳态性能和计算复杂度之间达到了较好的折中。     

多变量系统辅助模型多新息随机梯度辨识方法

针对多变量输出误差系统的模型辨识问题,借助辅助模型思想推导出其随机梯度辨识算法;由于该算法的收敛速度慢,为了提高收敛速度,将算法中的新息向量扩展成新息矩阵,得到基于辅助模型的多新息随机梯度辨识算法;辅助模型多新息算法使用新息矩阵对参数进行校正估计,该新息矩阵不仅包含了当前时刻的新息向量,还包含过去多个时刻的新息向量,因而,与辅助模型随机梯度算法和增广随机梯度算法相比,该算法具有更快的收敛速度;一个二输入二输出的仿真例子证明了所提出的算法的确具有更快的收敛速度.     

PSO并行优化LSSVR非线性黑箱模型辨识

针对非线性黑箱系统辨识中存在不确定性、高阶次,采用常规辨识方法建立其精确数学模型十分困难等问题,提出一种基于自适应粒子群算法的最小二乘支持向量机回归(PSO-LSSVR)非线性系统辨识方法.该方法采用2组自适应粒子群算法并行计算模型,分别利用自适应粒子群算法对LSSVR中的参数进行自动选取和矩阵迭代求解,既克服了传统LSSVR参数难以确定的缺点,提高了辨识精度,同时避免了复杂矩阵求逆运算,加快了计算速度.将该方法应用于船舶操纵性模型非线性系统辨识,仿真结果表明,由该方法得到的LSSVR能够有效地对系统进行建模,仿真精度高,结构简单,具有一定的理论推广意义.     

基于多新息最小二乘算法的非线性系统辨识

针对最小二乘算法辨识性能较差问题,将最小二乘算法中的单新息通过利用p组数据拓展到多新息向量,提出了多新息最小二乘算法。与最小二乘相比,所提出的算法不仅利用了当前的系统信息,而且利用了过去的系统信息,进一步提高了参数辨识的精度和收敛速度。在所提出的算法中,为了减少冗余的参数辨识和算法计算量,利用关键性分离技术构造整体辨识模型。设计了辅助模型来替代系统中未知的中间变量,提高了参数估计的精度。对比仿真结果表明,所提出的算法具有比递归最小二乘算法更高的辨识精度和收敛速度。     

一种基于Volterra模型的非线性系统具有全解耦结构的递阶式自适应辨识方法

研究了在输入输出观测数据均含有噪声时如何对基于Volterra级数描述的非线性系统进行解耦自适应辨识的问题. 按照Volterra级数模型的伪线性组合结构, 采用总体最小二乘辨识技术的原理, 导出了一种总体全解耦辨识的思想. 从而建立了一种具有全解耦结构的递阶式自适应辨识算法, 给出了该算法的结构图. 相比于部分解耦辨识算法, 该算法的优点在于它能够在全噪声数据环境下得到更高的收敛速度和精度. 仿真研究的结果证明了本文方法的有效性.     

Volterra 泛函级数在非线性系统辨识中的应用

利用Volterra泛函级数描述非线性系统，将非线性系统辨识问题转化为标准的最小二乘问题，并通过QR分解进行求解，在对输入矩阵P进行Householder变换过程中，提出利用输入向量对输出向量的影响因子进行P阵的列选择，同时完成模型辨识，有效地克服了Volterra泛函数辨识中维数灾难问题，数字仿真表明了该方法的有效性。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

混合粒子群优化算法

针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点,提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制,把基因换位和变异算子引入到算法中,构造出新的个体和个体基因的适应值函数,将适应值最差的基因进行变异。为减少算法计算量,采用耗散的粒子群算法结构。实验表明,该算法比只有一个适应值的粒子群算法具有更快的收敛速度。且具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

A novel multi-population cultural algorithm adopting knowledge migration

In existing multi-population cultural algorithms, information is exchanged among sub-populations by individuals. However, migrated individuals cannot reflect enough evolutionary information, which limits the evolution performance. In order to enhance the migration efficiency, a novel multi-population cultural algorithm adopting knowledge migration is proposed. Implicit knowledge extracted from the evolution process of each sub-population directly reflects the information about dominant search space. By migrating knowledge among sub-populations at the constant intervals, the algorithm realizes more effective interaction with less communication cost. Taken benchmark functions with high-dimension as the examples, simulation results indicate that the algorithm can effectively improve the speed of convergence and overcome premature convergence.     

Variable structure control with sliding mode prediction for discrete-time nonlinear systems

A new variable structure control algorithm based on sliding mode prediction for a class of discrete-time nonlinear systems is presented. By employing a special model to predict future sliding mode value, and combining feedback correction and receding horizon optimization methods which are extensively applied on predictive control strategy, a discrete-time variable structure control law is constructed. The closed-loop systems are proved to have robustness to uncertainties with unspecified boundaries. Numerical simulation and pendulum experiment results illustrate that the closed-loop systems possess desired performance, such as strong robustness, fast convergence and chattering elimination.     

自适应Tent混沌搜索的人工蜂群算法

为了有效改善人工蜂群算法(artificial bee colony algorithm,ABC)的性能,结合Tent混沌优化算法,提出自适应Tent混沌搜索的人工蜂群算法.该算法使用Tent混沌以改善ABC的收敛性能,避免陷入局部最优解,首先应用Tent映射初始化种群,使得初始个体尽可能均匀分布,其次自适应调整混沌搜索空间,并以迄今为止搜索到的最优解产生Tent混沌序列,从而获得最优解.通过对6个复杂高维的基准函数寻优测试,仿真结果表明,该算法不仅加快了收敛速度,提高了寻优精度,与其他最近改进人工蜂群算法相比,其性能整体较优,尤其适合复杂的高维函数寻优.     

人工鱼群与遗传混合算法在无人艇路径规划中的应用

为了使水环境监测无人艇在监测和采集水样时能有效躲避静态障碍物,且以最优或接近最优的路径行进,提出了一种变步长和变视野的自适应人工鱼群算法与改进遗传算法混合的策略,在人工鱼完成觅食、追尾、聚群等行为后,进行遗传算法的操作。通过指数函数型衰减函数使算法前期视野和步长很大,后期视野和步长很小,提高算法的运行效率和精确性;在基本遗传算法中加入精英选择策略和保护、淘汰算子,得到全局最优解。仿真结果表明,混合算法有效克服了单一算法容易局部收敛的缺点,收敛速度快,能有效得到最优路径,计算精度高。     

A continuous Hopfield network equilibrium points algorithm

The continuous Hopfield network (CHN) is a classical neural network model. It can be used to solve some classification and optimization problems in the sense that the equilibrium points of a differential equation system associated to the CHN is the solution to those problems. The Euler method is the most widespread algorithm to obtain these CHN equilibrium points, since it is the simplest and quickest method to simulate complex differential equation systems. However, this method is highly sensitive with respect to initial conditions and it requires a lot of CPU time for medium or greater size CHN instances. In order to avoid these shortcomings, a new algorithm which obtains one equilibrium point for the CHN is introduced in this paper. It is a variable time-step method with the property that the convergence time is shortened; moreover, its robustness with respect to initial conditions will be proven and some computational experiences will be shown in order to compare it with the Euler method.     

基于最小距离和聚合策略的分解多目标进化算法

针对基于帕累托（Pareto）支配的多目标进化算法在解决高维问题时选择压力降低,以及基于分解的多目标进化算法在提高收敛性和分布性的同时降低了种群多样性的问题,提出了一种基于最小距离和聚合策略的分解多目标进化算法。首先,使用基于角度分解的技术将目标空间分解为指定个数的子空间来提高种群的多样性;然后,在生成新解的过程中加入基于聚合的交叉邻域方法,使生成的新解更接近于父代解;最后,分两阶段在每个子空间内基于最小距离和聚合策略来选择解以提高收敛性和分布性。为了验证所提算法的可行性,采用标准测试函数ZDT和DTLZ进行仿真实验,结果表明所提算法的总体性能均优于经典的基于分解的多目标进化算法（MOEA/D）、MOEA/D-DE、NSGA-Ⅲ和GrEA。可见,所提算法在提高多样性的同时可以有效平衡收敛性和多样性。     

A two‐stage searching method for continuous time‐delay systems identification

This paper presents a novel method to estimate the unknown parameters of continuous‐time systems with time delay. In the proposed method, the time delay and plant parameters are estimated separately. To estimate the time delay, a one‐dimensional searching method with variable step size is proposed to improve computational efficiency. The searching method consists of two stages: the coarse stage and the refined searching stage. To analyze the convergence of the searching method, the concept of significant interval is proposed. By defining the significant interval, a sufficient condition for global convergence of the searching method is provided. Based on the two‐stage searching method, a novel identification algorithm is developed in which the simplified refined instrumental variable for continuous‐time models algorithm is used to estimate the plant parameters. Simulation results demonstrate that the proposed identification method can estimate the unknown parameters of continuous‐time system with time delay efficiently. The estimation results under different noisy conditions verify the reliability and robustness of the proposed method. The applicability of the developed identification method is demonstrated by a practical example.     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题,提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO),该算法根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域。