音频测距信号实时消噪及半实物仿真

针对声波测距系统噪声复杂,淹没在噪声中的回波难以检测的问题,文章利用时间序列分析法对音频测距系统建立了ARMA模型,采用改进的递推最小二乘算法(RELS)实现了ARMA模型系数的实时估计,在ARMA模型的基础上,利用卡尔曼滤波算法对音频测距信号实时补偿,并构建了一种半实物仿真系统。仿真结果表明,该方法具有很好的实时滤波效果,能有效地抑制噪声,提高回波测距仪的精度。     

多变量Hammerstein系统的极大似然参数估计方法

针对有色噪声干扰的多变量Hammerstein系统存在维数高和模型难以参数化的问题,本研究提出了递推极大似然参数估计方法,并对极大化似然函数系统参数向量的估计公式进行推导,同时给出了极大似然参数的辨识原理,并对多变量Hammerstein模型的参数估计进行理论分析,并通过数值进行仿真实验。理论分析和仿真结果表明,本研究所提出的算法,能够有效实现有色噪声干扰下的多变量Hammerstein系统的参数估计。随着递推次数的增加,辨识精度总体上不断提高;而且噪声方差越小,参数估计精度越高。该算法原理简单、适用范围广,提高了参数的估计精度,且易于实现参数的在线辨识,因此该算法可以扩展应用于非均匀采样系统和多变量系统的辨识和参数估计中。     

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统，提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下，利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化，将描述非线性系统的T-S模型转化为线性时变的状态空间模型，并假设输入基函数为阶跃函数，推导出预测控制律的解析式.仿真结果表明，该方法在求解控制律时，无需求解非线性优化问题，并且有效克服了模型失配对系统控制性能的影响，增强了系统的跟踪性能和鲁棒性.     

竞争学习的非均匀采样非线性系统的模糊辨识

在实际非线性系统中,由于资源的限制,使得输入信号快速刷新,输出信号慢速采样.利用获得的非均匀采样数据对原非线性系统辨识存在一定困难.为此,通过提升技术,把非线性系统的多个特征点局部的线性模型转化为模糊模型的后件线性模型.在此基础上,提出基于竞争学习和递推梯度下降方法的辨识算法.通过定理证明:输入信号在持续激励条件下,模糊模型的参数能够一致性收敛;针对化工p H中和过程非线性系统,采用非均匀采样数据,建立其模糊模型,通过实际数据与模糊模型输出数据误差对比,表明了实际系统在非均匀采样条件下,模糊辨识能够建立其过程模型,验证了提出方法的有效性.     

基于过采样的Hammerstein模型最小方根辨识算法

针对Hammerstein模型提出了基于过采样原理的新的最小方根辨识算法。通过估计线性部分的中间输入，可以辨识出任意连续函数的未知非线性元件和线性部分传输函数。即使在非线性元件传递函数存在近似误差的情况下，线性部分的估计值也具有一致性。     

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

传递函数辨识(11):频率响应递推参数估计(并联情形)

工程中,频率特性又称频率响应。针对不同极点惯性环节并联而成的系统,利用正弦激励信号作为输入,通过测量系统的频率特性观测数据,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、多新息递推梯度算法、牛顿递推算法,以及结合实频特性和虚频特性观测数据的联合递推辨识算法和耦合递推辨识算法。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。     

多变量非线性系统的有约束模糊预测控制

针对多变量非线性系统提出了一种带约束输入的广义预测控制(GPC)算法.首先对多变量非线性系统建立T-S模糊模型,利用模糊聚类算法和正交最小二乘算法对输入变量的模糊划分及后件部分的参数分别进行辨识,然后在每个采样点对系统进行局部动态线性化.根据得到的系统线性化模型设计GPC算法,该算法充分考虑了控制输入及其增量受约束的情况,而且不必求D iophantine方程,大大减小了计算量.仿真结果表明该算法能保证系统输出有效跟踪设定值,而且控制输入和控制增量均在其约束范围之内.     

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。     

滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。     

基于正交匹配追踪改进的Hammerstein系统辨识方法

针对在有限数据采样情况下Hammerstein CAR模型的阶次和参数辨识问题,本文将关键变量分离原理和压缩感知(compressed sensing,CS)理论相结合,提出了一种改进的正交匹配追踪稀疏辨识方法。该方法采用关键变量分离原理分离出系统线性模块中的关键变量,然后用非线性模块表达式将其替换,从而将系统输出表示为含所有待估参数的线性回归方程,并将其表达在采用压缩感知理论进行系统参数重构的标准框架之下,最后利用压缩感知原理的正交匹配追踪算法对系统阶次和参数同时进行估计。仿真结果表明,参数估计误差随着迭代次数的增加逐渐减小,最终趋于零,说明该算法是有效的。该研究能有效地获得系统阶次和参数估计,提高了估计辨识算法的运算效率,在实际工业过程中具有一定的实用意义。     

广义连续随机非线性系统的状态估计问题

讨论了系统噪声和测量噪声为非零均值及具有相关噪声干扰情形下的广义连续随机非线性系统,利用矩阵的奇异值分解方法,得到该系统的状态估计的最优递推滤波方程。     

基于Laguerre-Fuzzy Hammerstein模型的增压锅炉非线性预测控制

增压锅炉燃烧系统具有强非线性、大滞后、参数时变和不确定性,传统的控制方法很难取得较好的控制效果。Laguerre滤波网络能够以较低的模型阶次逼近系统线性特性,且无需知道系统的滞后时间;Fuzzy模型能够有效描述系统的非线性及不确定性。提出了基于Laguerre-Fuzzy Hammerstein模型的非线性预测控制器并应用于增压锅炉燃烧系统控制器设计中。仿真结果表明:在变负荷情况下,本文提出的控制器能够有效控制过热蒸汽压力迅速稳定在设定值;与单输入预测控制器相比,该控制器综合考虑了两非线性变量带来的影响,且有效地避免了因系统变迟延和不确定性带来的影响,证明了本文方法的有效性。     

基于多新息算法的阶次未知的Wiener系统参数估计

针对阶次未知Wiener系统辨识模型过参数问题和最小二乘精度低的问题,提出一种行列式比确定阶次和基于分解技术的多新息最小二乘估计方案。首先,利用系统数据构造数据矩阵,利用行列式比方法估计系统的阶次;然后,利用分解技术将线性模块代入到非线性模块的特定项中,建立线性参数和非线性参数相互分离的估计模型,减少算法的计算量;其次,设计参考模型处理估计模型中存在的未知的内部变量,使内部变量转化为间接可测的变量;最后,采用一定的新息长度修改标量新息为多新息,提高估计算法的性能。通过分析不同噪声和不同新息长度对所提出算法的影响,验证该算法的鲁棒性和有效性。仿真结果表明,所提出的估计方案在估计精度和收敛速率上都优于递归最小二乘方法。     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

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。     

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.     

基于动态线性逼近的非线性系统无模型自适应控制

对于一类常见多重时滞非线性离散系统,提出了其动态线性逼近的增量型模型,无模型自适应控制律和带有参数限定时域长度的参数自适应预报递推算法,实现了对时滞非线性系统的无模型自适应控制。该算法不用解Diophantine方程,无需矩阵运算,在线计算量很小,实时性好,具有很强的抑制噪声干扰能力。通过仿真表明,该算法对于一类非线性系统实现无模型自适应控制是正确和有效的。     

基于LMI的约束Hammerstein系统最优控制器设计

针对具有输入约束的Hammerstein系统,提出了一种基于线性矩阵不等式(LMI)的最优控制器设计方法.运用非线性分离两步法控制策略,首先通过线性矩阵不等式(LMI)技术给出Ham-merstein模型线性子系统的状态反馈最优控制;其次,通过求解非线性方程组计算实际控制量.两步法策略充分利用了Hammerstein模型的特殊结构,把控制器设计问题仍归结在线性控制系统范围内.进一步,利用Lyapunov稳定性理论建立了闭环稳定的充分条件.最后通过聚丙烯牌号切换的仿真验证笔者算法的有效性.