关于SISO系统参数辨识在时域中的最优信号设计问题

本文探讨了时不变线性随机SISO系统的参数辨识的最优信号问题。首先将Fisher信息矩阵的概念推广到随机信号的情况,然后建立了一个输出空间的G——最优准则,并且证明该最优准则与参数空间的D——最优准则是等价的,由此导出了一个最优信号算法。     

改进SADE-EKF的永磁同步电机参数辨识

针对永磁同步电机（PMSM）参数辨识中扩展卡尔曼滤波（EKF）难以确定合适的系统噪声矩阵Q和量测噪声矩阵R的问题，提出了一种改进自适应差分进化算法（SADE）-EKF的PMSM参数辨识方法。首先分析了扩展卡尔曼滤波器的工作原理，建立了双线程辨识模型；然后通过改进差分进化算法（DE）的变异策略跳出局部最优，并设计了合适的适应度函数；最后，通过SADE算法对EKF的Q和R进行优化。实验结果表明，改进的SADE-EKF在辨识电机参数时比传统的EKF具有更好的收敛速度和辨识精度。     

一种改进的粒子群算法——PSO-Powell

该文针对PSO容易陷入局部最优的缺陷,提出了PSO-Powell辨识算法。该算法首先进行PSO的全局搜索,以全局搜索的最好粒子作为进行Powell搜索的起始点进行搜素,克服了PSO容易陷入局部最优点的缺陷。通过测试用例的测试,证明了该算法的有效性;并对非线性Hammerstein模型和典型的三级串联模型进行了常规方法和该文算法的辨识,对比结果表明了该算法对于辨识参数具有大范围选取能力。仿真结果表明该算法是模型参数辨识的一个有效方法。     

信号建模(3):多频信号模型的递推参数估计

利用梯度搜索、牛顿搜索、多新息辨识理论,研究多频标准正弦信号的建模问题,提出了相应的最小均方参数辨识算法、随机梯度参数辨识算法、多新息随机梯度参数辨识算法、递推梯度参数辨识算法、牛顿递推参数辨识算法等,给出了几个典型辨识算法的计算步骤。文中的方法可以推广到其它多频信号模型的参数辨识。     

一种混合遗传算法及其在线性系统辩识中的应用

提出一种将LMS算法和实数编码遗传算法相结合的混合遗传算法。相对于传统算法，将其应用于线性系统辩识，特别是IIR系统的辩识，具有明显优势。IIR系统的性能函数存在多个局部极小值，该算法首先利用遗传算法的全局最优性，在大范围内搜索可能的极值，并限制系统参数随机搜索的范围，以保证IIR系统的稳定性，再在遗传算法中嵌入一个LMS算子，在极值点附近进行快速搜索，从而达到全局最优与快速搜索的有机结合，提高了辨识精度和计算效率。仿真结果验证了该算法用于线性系统辨识的有效性和实用性。     

基于混合量子麻雀算法的过热汽温模型参数辨识

建立高精度的过热汽温模型便于控制器的设计和参数整定，从而提升汽温的控制品质。首先针对传统的麻雀优化算法在闭环数据驱动辨识中容易陷入局部最优，收敛速度慢的问题，提出了一种混合量子行为的麻雀优化算法(QSSA)。该算法在基本麻雀算法迭代一次后采用量子策略对劣势群体进行变异，加强空间搜索能力，提高辨识精度；对于较优势群体引入Lévy随机游走策略，增加种群多样性，克服量子策略迭代后期种群性减少，易陷入局部最优的问题。其次对比多种优化算法在基准函数测试中的优化结果，验证了所提算法的优越性。最后运用某600 MW超临界机组过热汽温的现场运行数据进行模型参数的QSSA辨识，表明了所提算法的有效性，为现场过热汽温控制系统的进一步优化提供了新的途径。     

基于改进遗传算法的系统参数辨识方法

介绍了一种基于遗传算法辨识系统参数的方法,遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法,为了提高算法的优化能力,我们采用了种群迁移以及自适应变异率来改进算法,仿真结果表明,改进的遗传算法辨识系统参数收敛到全局最优,且鲁棒性强,辨识精度高。     

基于局部最优LWL的船舶操纵运动辨识建模

针对船舶操纵运动建模,本文提出了一种辨识建模方法,即局部最优的局部加权学习算法。该算法通过样本点重新排序和输入空间升维,解决了船舶运动状态一对多映射和不可分问题;并运用留一交叉验证为每个样本点训练一个距离测度,运用加权最小二乘在局部邻域中直接预测船舶操纵运动状态变量。构造局部目标函数,避免了传统的全局最优LWL算法容易陷入局部最优问题。与传统的机理建模相比,局部最优的局部加权学习算法克服了由多重共线性而引起的参数漂移和模型中存在未建模动态问题。通过一组人工数据和3自由度的Mariner轮的学习,实现了对非线性系统的高精度建模。与BPNN预报相比,具有较强的泛化能力。     

传递函数辨识(8):基于正弦响应的参数估计方法

针对不同极点惯性环节并联系统和不同极点惯性环节串联系统,利用多频组合正弦信号作为输入,通过测量系统的输出数据,基于二次优化和非线性优化技术,推导了估计传递函数参数的最小均方算法、随机梯度算法、多新息随机梯度算法、递推梯度算法等,并与梯度迭代算法、牛顿迭代算法相结合,提出了辨识传递函数参数的耦合递推—迭代辨识算法,文中的方法可以推广用于其他传递函数描述的动态系统参数辨识,如具有共轭极点、重极点传递函数参数的辨识以及任意非线性函数的参数估计。     

一类非线性系统的稳态优化控制

本文针对一类由特殊的ＮＡＲＭＡＸ模型描述的非线性系统，采用阶跃信号作辨识输入信号获得稳态模型的强一致性估计。基于已得到的稳态模型，获得了稳态优化控制问题的最优解的一致性估计，此外，计算机仿真显示了该算法和辨识技术的有效性和实用性。     

归一化局部最优处理器中随机共振现象的判定研究

为提高静态非线性系统的性能,本文依据局部最优处理器的结构,对给定的局部最优处理器中的随机共振现象进行了深入研究,给出了给定的局部最优处理器中产生随机共振现象的判定定理。利用对于周期弱信号,局部最优处理器具有最大输出信噪比,且其信噪比增益就是噪声概率密度函数的Fisher信息量这一关系和Fisher信息量的卷积不等式,并给出实际例证,结果表明,当向原始信号中加入额外噪声时,更新的局部最优处理器不能进一步提高输出信噪比。该结论为进一步将随机共振理论与非线性信号处理实际问题相结合提供了理论依据。     

放大重传协议下优化的MIMO中继预编码转发矩阵设计算法

提出了一种优化的多输入多输出（MIMO）系统两跳中继预编码转发矩阵的设计方法. 该方法基于目的节点估计信号的均方误差最小, 在迭代求解〖WTHX〗AX〖WTBX〗+〖WTHX〗XB〖WTBX〗=〖WTHX〗F〖WTBZ〗类型矩阵方程的基础上, 通过奇异值分解得到最佳的转发矩阵．在中继放大重传协议下采用了简单的基于迫零准则的检测算法和线性预编码算法．该算法和基于酉矩阵的方法相比, 在同等条件下遍历容量可以提高2 bit〖DK〗•s-1〖DK〗•Hz-1以上．     

3GPP中语音编码的自适应技术 与源控速率(SCR)操作

由于传输环境的剧烈变化，移动通信系统不能工作在最佳的信源编码速率和信道编码速率。而第三代移动通信系统(3GPP)中采用了自适应多速率(AMR)语音编码器来解决这一问题，AMR编码器采用自适应算法来选择最佳的语音编码速率，同时考虑到输入语音信号不激活的情况下，源控速率(SCR)操作允许以较低的速率对输入的语音信号进行编码。     

基于自适应变权免疫网络的电磁信号监测算法

针对人工免疫系统(AIS)用于电磁信号监测领域时,系统输入参数的波动程度差异显著且波动程度会随监测环境的不同发生变化的问题,借鉴变权理论提出了一种自适应变权免疫网络(AVWIN)信号监测算法.该算法能根据监测环境自适应调节各输入参数的权重,使信号空间的信号分离度最大,从而提高系统的监测性能.同时,采用实际无线电监测数据进行实验,验证了信号分离度定义的合理性,并与普通免疫网络对比,证实该算法可显著提高系统的监测性能.     

空间机械臂姿态运动规划的粒子群方法

空间自由漂浮的航天器系统在忽略外力矩的作用时,系统因对总质心的角动量矩守恒而成为非完整系统.基于这样的特性,讨论了带双臂航天器姿态运动的控制问题.利用粒子群算法确定最优控制输入信号,得到了系统非完整运动的优化轨迹.通过数值仿真,表明该算法解决空间机械臂非完整运动规划问题是有效的.     

一种改进的自适应脉冲对消LMP算法

应用一种改进的最小平均lp范数算法对有用信号中存在的脉冲噪声进行对消。这种算法是根据对输入信噪比的估计，在最小平均lp范数算法的基础上改进的。为了测量这种算法下脉冲噪声的对消性能，引入了一种新的信号失真的性能测度，对分数阶信噪比，在7种不同输入信噪比情况下，对最小平均lp范数和改进的最小平均lp范数算法进行了比较，结果表明改进的算法比最小平均lp范数算法稳定，收敛速度快，性能明显优于最小平均lp范数。     

用贪心算法求解最优服务次序问题

贪心算法是解决问题的一类重要方法,因其简单、直观和高效而受到人们的重视。特别是对于具有最优子结构和贪心选择性质的一类实际问题,它可以通过一系列局部最优选择来获得整体最优解。本文首先对最优服务次序问题进行了分析,然后给出了该问题的贪心解法,最后对所提出算法的时间复杂度进行了分析。     

多用户OFDM系统中一种次最优多址接入方案

给出了带自适应资源分配的多用户OFDM系统的数学模型，指出理论上的最优接入算法是不可实现的．提出了一种易于实现的次最优多址接入方案，它以瞬时信道特性为基础，通过不断寻找局部最优以期达到或接近全局最优．仿真实验表明，使用这种次优多址接入方案的多用户OFDM系统的性能明显优于使用各种静态多址接入方案的系统。     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。