基于GEP的非线性系统辨识算法

基因表达式编程(GEP)是一种基于基因组和表现型组的新型遗传算法,本文提出了一种基于GEP的非线性系统辨识算法。针对非线性系统的特点,本文基于GEP建模作了如下工作:在对象的结构和参数未知的情况下,首先进行参数恒定时的系统辨识,然后进行运行期间非线性环节参数发生变化时的辨识。实验结果表明该算法能够更加迅速的得出非线性部分直观近似的数学表达式,比用遗传编程(GP)优越两个数量级以上,是一种有效可行的算法。     

基于遗传编程的智能建模方法及应用

遗传编程是基于自然进化理论的一种全局最优智能搜索技术.基于遗传编程的智能建模方法可以建立复杂系统的数学模型,与其它建模方法相比,该方法具有同时辨识系统的结构和参数,并且得出的辨识结果是显示的等优点.提出了一种新的多目标遗传编程算法,将进化的目标设定为偏差的平方和、表达式的复杂程度和最大动态偏差的综合最小.应用该方法建立火电厂机炉协调控制系统模型,仿真结果说明该算法是有效的.     

基于遗传编程的非单调非线性系统辨识

采用遗传编程方法解决非单调非线性系统的辨识问题。在对象的结构和参数未知的情况下，先进行参数恒定下的辨识．再进行在运行期间非线性环节参数发生变化的系统辨识。试验结果表明：都能比较迅速地得出非线性部分直观的、近似的数学表达式。提出了今后进一步完善的几点设想。     

基于GEP和GA技术的非线性系统辨识研究

给出了利用基因表达式编程（GEP）进行非线性系统辨识的方法,弥补了传统辨识方法需要过多预知信息的不足,有着比遗传编程（GP）更简洁有效的系统模型结构表达方式.利用改进的遗传算法（GA）并行地进行模型参数进化,可以在有限的给定数据内得到合适的模型.关于模型适应度的定义,综合考虑了精确性和复杂性因素,能够获取一种比较折中的辨识结果.仿真结果表明,这种方式可以快速、准确地获取非线性模型.     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

基于连锁聚类法及遗传算法的模糊建模

模糊建模可以分为被辨识系统的结构辨识和参数辨识.针对系统的结构辨识,提出了一种新型连锁聚类算法,用其来实现被辨识系统的结构辨识及初始参数辨识;针对系统的参数辨识,提出了采用遗传算法对被辨识系统的参数进行更加精确的校正.通过结构辨识算法和参数辨识算法的结合,可以只针对被辨识系统的输入输出测试数据直接进行被辨识系统的结构辨识及参数的进一步精确校正.通过对非线形函数的仿真结果表明,此辨识方法具有较好的辨识结果.     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.     

一种Hammerstein-Wiener系统的递归辨识算法

针对含有过程噪声的Hammerstein-Wiener系统,本文提出一种递归辨识算法用于系统的在线辨识. 首先使用多项式函数对系统非线性部分进行严格参数化,在此基础上以参数误差平方和的期望值最小为目标函数,推导出参数估计的递归更新公式,避免了过程噪声对辨识结果的影响. 通过对算法进行深入分析,得到参数一致收敛的条件,并给出算法中重要系数的设定方法,使参数收敛域得到扩大. 与传统两阶段法的数值仿真比较验证了该方法的优越性.     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

一种新型非线性系统模型参数辨识方法

关于非线性自动控制系统优化问题,为解决复杂非线性系统的辨识问题,提出了一种基于菌群优化算法的非线性系统辨识方法.结合菌群优化算法的特点,通过将待辨识参数设置为群体细菌在参数空间的位置,并利用细菌群体觅食的动态行为来实现对系统参数的辨识,有效地提高了参数辨识的精度和效率.通过对重油热解三集总模型进行了仿真研究,得到了较为精确的过程模型,模型输出与实际输出基本一致.仿真结果表明:菌群优化算法为非线性系统模型参数估计提供了一种有效的途径.     

混合编码免疫算法在船舶载重计量的应用

提出一种混合编码免疫辨识算法, 并应用于船舶载重货物计量的模型辨识. 该算法结合免疫算法优越的全局搜索性能与GP算法简洁的结构树编码方法, 将抗体编码为模型结构树编码与模型参数编码的组合, 通过对抗体结构与参数的免疫操作, 实现全局寻优及非线性模型的结构与参数的一体化辨识. 算法不依赖对象的先验知识, 辨识的模型结构简单、易于理解. 仿真及船舶载模型的辨识应用验证了本算法的有效性及较强的非线性逼近能力.     

基于随机配置网络的非线性系统智能建模方法

针对一类非线性离散动态系统,研究非线性系统的智能建模方法.首先,采用带遗忘因子的递推最小二乘法对低阶模型的未知参数进行辨识;然后,对高阶非线性部分采用随机配置网络进行估计;最后,利用两种辨识方法在外部误差准则下对系统进行交替辨识,进而提出一种改进的非线性系统交替辨识的智能建模方法.将随机配置网络与递推最小二乘算法相结合,可有效提高非线性系统的辨识精度,并且通过数值仿真实验进行对比分析以验证所提出算法的有效性.     

&thetas;-adaptive neural networks: a new approach to parameterestimation

A novel use of neural networks for parameter estimation in nonlinear systems is proposed. The approximating ability of the neural network is used to identify the relation between system variables and parameters of a dynamic system. Two different algorithms, a block estimation method and a recursive estimation method, are proposed. The block estimation method consists of the training of a neural network to approximate the mapping between the system response and the system parameters which in turn is used to identify the parameters of the nonlinear system. In the second method, the neural network is used to determine a recursive algorithm to update the parameter estimate. Both methods are useful for parameter estimation in systems where either the structure of the nonlinearities present are unknown or when the parameters occur nonlinearly. Analytical conditions under which successful estimation can be carried but and several illustrative examples verifying the behavior of the algorithms through simulations are presented.     

Identification of continuous-time Hammerstein systems by simultaneous perturbation stochastic approximation

This paper proposes an identification method for Hammerstein systems using simultaneous perturbation stochastic approximation (SPSA). Here, the structure of nonlinear subsystem is assumed to be unknown, while the structure of linear subsystem, such as the system order, is assumed to be available. The main advantage of the SPSA-based method is that it can be applied to identification of Hammerstein systems with less restrictive assumptions. In order to clarify this point, piecewise affine functions with a large number of parameters are adopted to approximate the unknown nonlinear subsystems. Furthermore, the linear subsystems are supposed to be described in continuous-time. Though this class of systems closely reflects the actual systems, there are few methods to identify such models. Hence, the SPSA-based method is utilized to identify the parameters in both linear and nonlinear subsystems simultaneously. The effectiveness of the proposed method is evaluated through several numerical examples. The results demonstrate that the proposed algorithm is useful to obtain accurate models, even for high-dimensional parameter identification.     

Modelling and control of nonlinear,operating point dependent systems via associative memory networks

This paper presents a novel approach to the modelling and control of a specific class of nonlinear systems whose parameters are unknown nonlinear functions of the measurable operating points. An associative memory network is used to identify each nonlinear function, whose inputs are the measurable operating points and output being the estimated value of the parameter. Two different cases are considered; the first being those systems where the networks can exactly model the nonlinear functions, whereas the second case considers those systems which can only approximate the nonlinear functions toa known accuracy. The first type of system is referred to as a matching system and the second is called a mismatching system. During the modelling phase, the weights for each network are trained in parallel using the normalised back-propagation algorithm for matching system, and the modified recursive least squares algorithm for mismatching systems. It has been shown that these algorithms together withGoodwin's technical lemma lead to a stable d-step-ahead control scheme for matching systems and a pole assignment control strategy for mismatching systems.     

基于自适应神经模糊推理系统的噪声消除方法

针对信号处理领域噪声消除的实际问题,提出了一种基于模糊推理的自适应神经网络控制方法.通过自适应神经模糊推理系统(ANFIS)对非线性系统的结构和参数进行辨识与自学习,采用混合学习算法,对前向参数和结论参数分别辨识,在提高精度的同时可加快训练收敛的速度,使控制系统具有良好动静态性和鲁棒性,实现了消除通信系统中噪声的目标,最后对基于ANFIS的噪声消除系统进行了建模和仿真,并与自适应神经网络滤波方法的结果对比,其结果证明了该方法的有效性.     

高阶常微分方程的演化建模用于时间序列的分析

本文提出采用高阶常微分方程模型代替传统的时序分析中所用的ＡＲＭＡ模型来实现一维动态系统的建模,并针对传统方法建模过程中所遇到的困难,设计了将遗传程序设计与遗传算法个嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,首次成功地实现了动态系统的高阶微分方程建模过程自动化,对三个典型时间序列实例的实验结果表明：采用此算法可由计算机自动发现适合描述该动态系统的高阶常微分方程模型,     

Wiener-like fourier kernels for nonlinear system identification and synthesis (nonanalytic cascade, bilinear, and feedback cases)

Nonlinear systems subjected to Gaussian inputs are studied based on the Wiener-like stochastic functional Fourier series [1]. Analytic and nonanalytic cascade, bilinear, and feedback nonlinear structures are considered and theirnth-order Fourier-Hermite kernels are calculated analytically. The characteristic kernel features thus revealed are discussed as a guide to interpret data from multidimensional cross-correlation experiments for nonparametric nonlinear system identification. The results are shown to be useful also for the mean-square-signal analysis of nonlinear systems whose structures and parameters are known a priori. For the feedback case, a certain approximation is employed for finding thenth-order closed-loop kernel. This is a generalization of the describing function technique, and using examples, the algorithm is compared to existing procedures for random-input nonlinear servosynthesis.     

基于小波网络的一类非线性系统稳定最小方差控制

研究一类非线性系统的最小方差控制．将非线性系统等价表示为时变线性系统，利用小波网络的非线性逼近特性在线辨识时变系数，利用改进的投影算法在线调整小波网络的权值；在此基础上设计了非线性系统的最小方差控制器，并分析了闭环控制系统的稳定性．仿真结果表明了该算法的有效性．     

动态系统的演化建模

针对采用传统方法解决动态系统的微分方程建模问题所遇到的困难和存在的不足,语文中设计了将遗传程序设计与遗传算法和相嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,成功地实现了动态系统的常微分方程组建模过程自动化。