采用正交小波网络的非线性系统辨识方法

基于多分辨分析的递阶思想,采用正交小波网络研究了输入样本空间分布非均匀时非线性系统的辨识问题,重点讨论了样本非均匀时网络系的设计问题,并给出了基于该网络系的在线递阶辨识算法,最后利用正交小波网络分别对非线性静态和动态系统进行了仿真辨识。     

基于网络系统的分频段加权正交小波网络辨识非线性系统

在非线性系统辨识中,输入数据往往是非均匀分布的,对于此类问题,正交小波网络处理起来较复杂。本文采用分组中值法对非均匀分布样本进行均匀化处理,使正交小波网络的设计和应用能够在网格系上进行;然后,采用分段加权技术以便和系统设计相配合,最后用于辨识非线性动态系统,仿真结果验证了该方法的可行性和有效性。     

基于鲁棒小波网络的非线性系统辨识

分析了传统小波网络的不足,同时考虑到实际中学习样本可能被非高斯白噪声干扰的情况,提出用于辨识非线性系统的鲁棒正交小波网络,并对辨识精度和收敛性进行了分析。理论分析和仿真研究表明,该文提出的方法是有效的。     

基于小波神经网络的系统辨识方法

神经网络由于具有良好的自学习和自适应能力，在非线性黑箱建模或系统辨识中有着广泛的应用，这些辨识模型有：多层感知器、径向基函数网和反馈网络等等。文中提出了基于小波神经网络模型的系统辨识方法。由于小波变换或分解所表面的良好的时频局部化特性，以及多尺度的功能，我们用规范正交的小波函数作为基函数网络中的基函数，得到所谓的小波神经网络。通过计算机仿真证实了该方法的良好的辨识效果。     

多模型小波网络非线性动态系统辨识

由于许多复杂的工业系统具有非线性特性，难以建立确切的数学模型，因此提出用 多模型小波网络辨识非线性动态系统，并给出了辨识结构和训练算法．仿真实验比较了多模型小波网络与单小波网络在辨识非线性系统时性能上的差异，验证了该方法收敛速度快，抗干扰能力强，具有较高的逼近精度．     

优化小波神经元的辨识算法

以小波理论为基础,讨论了小波径基函数网络非线性辨识的基本原理,并提出从全部小波基中选出对辨识最起作用的一部分小波基的正交优化方法,以解决小波神经网络隐层神经元数量过多的问题。用推广Ｋａｌｍａｎ滤波方法训练小波网络,大大加快了它的收敛速度。仿真结果表明了该方法的可行性和有效性。     

基于网格系的分频段加权正交小波网络辨识非线性系统

在非线性系统辨识中,输入数据往往是非均匀 分布的．对于此类问题,正交小波网络处理起来较复杂．本文采用分组中值法对非均匀分布 样本进行均匀化处理, 使正交小波网络的设计和应用能够在网格系上进行;然后,采用分 频段加权技术以便和系统设计相配合． 最后用于辨识非线性动态系统,仿真结果验证了该 方法的可行性和有效性．     

基于小波网络的动态系统辨识方法及应用*

本文介绍了一种多输入非线性动态系统辨识算法，基于该算法的非线性辨识系统成功用于局部地区短时暴雨的预报。在这个系统中我们采用一种小波网络来追踪非线性系统的动态性，用一种基于小波逼近的非参数估计方法用于系统的状态空间模型的辨识中。从实验结果可看出，与传统的神经网络方法相比，该系统在速度、可靠性以及精确度上都有了很大的提高。     

时变非线性分布参数控制系统的小波辨识算法

基于正交函数逼近理论,在Haar小波正交规范基的基础上,总结并推导出了其积分运算矩阵、微分运算矩阵、乘积运算矩阵及其运算性质,并应用于一类时变非线性分布参数系统的辨识.借助于正交小波函数逼近方法对分布参数系统进行辨识,经正交小波逼近变换转化为代数矩阵方程,因此该方法可以不考虑初始条件和边界条件,较其他辨识方法要简单得多.该算法简单、计算量小、简化了分布参数系统辨识的求解过程,应用在分布参数系统辨识中不失为一种有效的分析方法.     

非线性系统辨识方法研究

讨论了利用小波神经网络对非线性系统辨识的新方法。在辨识过程中,为了提高小波神经网络对非线性系统的辨识性能,使用一种改进粒子群优化算法对BP小波神经网络参数进行训练,求得最优值,达到对非线性系统辨识目的。在数值仿真中,与采用标准粒子群优化算法相比,结果显示了提出的方法在收敛性和稳定性等方面均得到了明显的改善。     

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.     

基于ANFIS的非线性系统辨识研究

系统辨识是控制系统设计的基础，对非线性系统进行辨识是当前的难点；文献[1]提出了用模糊建模方法，文献[2]提出了用神经网络方法，在总结上述方法不足的基础上，该文提出了用自适应神经模糊推理系统(ANFIS)对非线性系统进行辨识的方法，仿真结果表明，ANFIS进行非线性系统辨识是可行的，其辨识精度很高。     

一种非线性模型的在线辨识方法

提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和。并把此非线性系统模型表示成模糊模型的形式，用在线调节模糊模型的方法来辨识时变线性模型的相关参数。在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数，仿真算例表明了此算法的有效性与良好的实用价值。     

基于小波分解的非线性系统多模型自适应控制

提出了一种改进的基于小波分解的非线性系统辨识算法,利用小波函数的逼近能力在线辨识被控对象的非线性项.针对基于小波分解的辨识算法缺乏预测能力,提出了根据线性鲁棒自适应控制器提供的当前控制信息预测未来的非线性项值新方法,并结合多模型方法,根据所定义的切换指标自动切换到当前最优控制器.仿真结果表明,改进的基于小波分解的辨识算法能够有效逼近非线性系统,基于小波分解的非线性系统多模型自适应控制方法改善了系统性能,随着系统运行跟踪误差明显减小,说明了该方法的有效性和可行性.     

Auxiliary model multiinnovation stochastic gradient parameter estimation methods for nonlinear sandwich systems

This article studies the identification problem of the nonlinear sandwich systems. For the sandwich system, because there are inner variables which cannot be measured in the information vector of the identification models, it is difficult to identify the nonlinear sandwich systems. In order to overcome the difficulty, an auxiliary model is built to predict the estimates of inner variables by means of the output of the auxiliary model. For the purpose of employing the real‐time observed data, a cost function with dynamical data is constructed to capture on‐line information of the nonlinear sandwich system. On this basis, an auxiliary model stochastic gradient identification approach is proposed based on the gradient optimization. Moreover, an auxiliary model multiinnovation stochastic gradient estimation method is developed, which tends to enhance estimation accuracy by introducing more observed data dynamically. The numerical simulation is provided and the simulation results show that the proposed auxiliary model identification method is effective for the nonlinear sandwich systems.     

用Hammstein模型描述的非线性系统的结构辨识

本文研究了用Ｈａｍｍｓｔｅｉｎ模型描述的一类非线性系统的辨识问题，给出了这种模型辨识时的激励信号问题。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

Error analysis and optimal estimation procedures in identification of nonlinear volterra systems

In the problem of nonlinear system identification, the white-noise (crosscorrelation) method has become increasingly popular during the last five years. Since the ideal white noise is physically unrealizable, the method employs quasi-white test signals which approximate its statistical properties to a satisfactory and determinable degree. A family of such signals (CSRS) which has been recently introduced appears to be most advantageous in nonlinear system identification. Its principal advantage is that it allows the thorough and effective error analysis and, consequently, the optimization of the identification procedure. This paper presents that error analysis and outlines the optimal procedures which ought to be followed for the optimal application of the method to nonlinear Volterra systems identification.