基于坐标变换和仿射映射辨识迟滞非线性模型

运用坐标变换方法和仿射映射的有关原理,对迟滞系统的输入信号进行变换映射.利用集合理论证明了变换后,迟滞的输入输出集合是双射的,从而对在光滑周期信号作用下的一类迟滞非线性进行建模.不仅建立了动态迟滞模型,而且也建立了相应的动态逆模型.仿真试验验证了所提出方法的有效性.     

基于输入空间扩张的动态迟滞神经网络模型

针对神经网络不能直接用于辨识具有多值映射特征的迟滞非线性的不足, 利用输入空间扩张的方法, 引入动态迟滞算子来反映动态迟滞的速率依赖性, 由迟滞的输入、输入变化率和算子输出构造神经网络的扩张输入空间, 将输出空间的迟滞多值映射转换为在新的扩张输入空间上的一一映射, 从而将神经网络应用到动态迟滞非线性的辨识中. 所建立模型结构简单, 易于实现在线调整. 最后, 使用该方法对压电陶瓷执行器中的动态迟滞进行了辨识.     

基于退化激励信号的含有迟滞的三明治系统辨识

含有迟滞的三明治系统不仅具有非光滑、多值映射等特性, 而且迟滞环节的输入输出信号还是不能直接测量的, 常规方法难以进行有效的辨识. 本文提出了一种基于退化激励信号的两步辨识方案: 第一步, 设计一个特殊的退化激励信号将迟滞环节退化为一条静态曲线, 从而可以将两端的线性动态环节辨识出来, 解决中间信号不可测的问题; 第二步, 利用已辨识的线性模型重构迟滞环节的输入输出信号, 再采用“扩展输入空间法”建立迟滞环节的神经网络模型. 最后, 在压电超精密运动系统的实验结果表明所提出的建模方法取得了令人满意的结果.     

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.     

压电陶瓷执行器的动态迟滞非线性特性建模

针对精密定位系统中压电陶瓷执行器的迟滞非线性特性建模问题,提出了一种基于Hammerstein迟滞模型的建模方法。通过引入一个Backlash类的算子来描述迟滞非线性的轮廓。在利用"扩展输入空间法"将迟滞特性的多值映射转换为一一映射的基础上,采用引力搜索算法优化的支持向量回归机建立静态迟滞模型。为体现迟滞的动态特性,用ARX模型表征迟滞环的率相关性,从而建立了Hammerstein级联模型。并从精密定位系统中采集了实测数据,通过电容传感器获取压电陶瓷执行器给定电压下的位移值,对所提出的模型进行了实验。实验表明:该模型具有较好的性能,辨识过程简便且易于工程实现。     

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.

     

对Preisach类的迟滞非线性神经网络建模

为了消除迟滞非线性对系统的不良影响,本文利用神经网络对Preisach类的迟滞非线性进行建模．通过引入一个特殊的迟滞因子,将多映射的迟滞非线性转换成一一映射,然后建立了基于神经网络的迟滞非线性模型．该模型结构简单,简化了辨识过程,可以调整神经网络权值以适应不同条件下的迟滞辨识．最后．应用该方法对压电执行器中的迟滞非线性建模,并与KP模型进行了比较．     

基于PI模型的压电陶瓷执行器迟滞特性建模

PI模型是一种运算量小,容易求逆并可用于实时控制系统中的迟滞模型.它是与输入信号频率无关的静态模型.而压电陶瓷表现为与输入频率有关的动态迟滞特性.对PI模型进行改进,引入惯性环节,增加迟滞元的动态特性,提出了动态PI迟滞模型.实验结果表明,改进的PI动态模型能很好地逼近压电陶瓷的位移输出信号,并具有较高的模型预测精度.     

动态迟滞Hammerstein系统的改进卡尔曼状态估计

迟滞特性具有非光滑、多值映射等复杂特性.而在实际的工程中,当输入电压变化频率超过一定的范围时,迟滞的特性是随着输入频率的改变发生变化,使得整个系统的状态估计工作更复杂.本文首先提出一种新的描述动态迟滞的方法,进而描述了动态迟滞Hammerstein系统的状态空间方程,根据此系统在传统卡尔曼滤波器的基础上进行改进得到一种新的非光滑卡尔曼滤波器.最后通过仿真和实验,比较了在输入信号变化频率比较大时,用动态迟滞Hammerstein系统来描述压电陶瓷和采用静态迟滞Hammerstein系统来描述压电陶瓷的特性,非光滑卡尔曼滤波器对这两种含有噪声的模型进行滤波,结果表明由于静态迟滞Hammerstein系统的建模不能很好的描述压电陶瓷的特性,模型存在着误差,因此对系统状态估计的结果也没有用动态Hammerstein系统的误差小,从而说明当输入电压频率变化比较大时研究动态的迟滞Hammerstein模型是很有意义的.     

基于Preisach模型的迟滞系统建模与控制

针对一种复杂的非线性系统一迟滞系统，研究了基于KP算子Preisach模型对迟滞系统进行建模的方法。利用Preisach模型与其边界线之间的映射关系，建立了容易在线更新的迟滞模型。基于Preisach模型进行迟滞非线性系统的控制，采用PID方法来控制一类带有未知非线性特性迟滞的单输入单输出非线性系统。对迟滞非线性系统的建模与控制进行的数值仿真研究结果表明，该迟滞非线性系统的建模和控制方法具有理论意义和应用价值。     

基于神经网络的迟滞逆模型

一个新的基于神经网络的迟滞逆模型被提出.采用连续坐标变换的方法,建立基本迟滞逆算子(EIHO),EIHO为神经网络提供了基本的迟滞逆信息,并与迟滞逆的输入一起作为神经网络的输入,使迟滞逆由多值映射关系转化为一对一映射关系,从而达到用神经网络逼近迟滞逆的目的.一组实测数据被用来检验模型有效性,实验结果表明,这种建模方法是有效的.     

压电陶瓷执行器的非光滑三明治模型辨识与内模控制

压电陶瓷执行器中含有非光滑、多值映射、频率依赖的非线性迟滞特性,然而在实际应用中,压电器件的输入输出信号无法直接测量,常规方法难以进行有效的辨识和控制.本文采用三明治模型来精确描述实际对象,并提出一种基于退化激励信号的两步辨识法解决三明治迟滞模型的辨识问题.最后,基于已辨识的三明治模型,设计一个内模控制器,解决压电陶瓷执行器的精密轨迹控制问题.实验结果表明所提出的辨识和控制方案取得了令人满意的结果.     

结合误差变换的Bouc-Wen迟滞非线性系统反步控制器设计

针对智能材料执行器中非平滑、多映射的迟滞非线性,采用Bouc-Wen模型描述迟滞,并提出了一种基于误差变换的反步控制器设计方案.首先利用Bouc-Wen模型中的变量特性,通过预设性能函数,将误差约束在预设范围内.然后通过误差变换,将一个对输出误差存在约束的跟踪问题转化为一个无约束的镇定问题.最后利用反步控制法设计迟滞系统的控制器,该控制方法保证期望的跟踪精度,并能将误差限定在设定范围内且满足预设性能,提高了系统的暂态和稳态性能.仿真结果表明设计方法的有效性.     

超磁致伸缩智能构件的位移控制系统设计与仿真

由于超磁致伸缩材料（GMM）内在的迟滞特性会引起智能构件的定位误差,并且其迟滞现象具有输入和输出一对多,输出随输入频率变化的特点,提出一种基于神经网络实现GMM智能构件动态迟滞建模方法。通过所建立神经网络实现GMM 智能构件逆迟滞模型,结合PD反馈控制器,实现智能构件的实时精密位移控制。在Matlab平台上进行仿真,结果表明所建立控制策略能消除GMM智能构件迟滞非线性的影响,实现了GMM智能构件的精密位移控制目的。     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩，提取初步的映射规则。对初步的规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立输入状态空间到输出空间的精确映射，大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验，结果表明，该神经网络具有分类逼近能力强、计算量小等优点。     

Modeling of rate-dependent hysteresis in piezoelectric actuators using a family of ellipses

In this paper, a new ellipse-like mathematic model is proposed to describe the rate-dependent hysteresis in piezoelectric actuators. Since the expressions of the model are completely analytical and can be determined only by a set of parameters, this method simplifies the modeling of complicated hysteresis behaviors. To represent the hysteresis effects, experiments are performed with designed sinusoidal excitations under different frequencies in the range 0.5–300 Hz. The rate-dependent hysteresis is characterized as increasing maximum hysteresis error (MHE) and decreasing peak-to-peak output amplitude (PPOA) phenomenons with the increase of input frequencies. Then, the parameters of the developed model are extracted from the experimental data using the direct least square method through MATLAB offline. The simulation results well correspond to the measured data and demonstrate that the developed model can precisely predict the rate-dependent hysteresis. We also investigate the parameters’ properties with hysteresis characteristics. In the developed model, the length of the minor radius describes the MHE varying with the input frequencies and amplitudes, while the length of major radius and the orientation of the ellipses represent the decreasing PPOA phenomenon. Finally, a real-time feedforward controller with an inverse model is designed to compensate for the rate-dependent hysteresis under different input frequencies. The experimental results show that the hysteresis effects are obviously reduced at both the lower and higher frequencies.     

降维网络及其在混凝土配合比优化设计中的应用

提出在BP网络的输入层与隐层或径基函数网络的输入层与隐层之间增加一个只有2个结点的线性函数层（Z层）,以构成基于BP网和基于径基函数网的降维映射网络,这两种网络均将多维输出Y（可为一维）与多维输入X之间的非线性映射关系转变成与二 维向量Z之间的非线性映射关系,网络学习后,就可以在由Z构成的二维映射平面上描绘出输出向量的等值线,通过这些等值线可全景式地,准确可靠地出样本数据集的最估操作区域,实现混凝土配合比优化设计。     

基于SBWS_GPR预测模型的不确定性多数据流异常检测方法

针对实际系统中采集的数据流的不确定性,给异常点检测与修正带来了现实挑战。因此,根据滑动基本窗口采样算法(sliding basic windows sampling,SBWB)与高斯过程回归(Gaussian process regression,GPR)模型的特性,提出了基于SBWS_GPR预测模型的不确定性多数据流的异常检测方法。在基于时间序列采集的历史数据集中,引入索引号,对历史数据集进行聚类,分析数据集与索引号的映射关系,将实时获得的输入数据流通过滑动窗口匹配,实现对单数据流的异常点检测与修正。再利用输入、输出数据间的相关性,基于GPR建立预测模型,比较实时观察的输出数据流与预测模型的输出数据流,最终从输入、输出两种不同通道实现多数据流的异常检测与修正。