基于粒子群算法的球磨机情感智能自适应辨识算法

制粉工艺在矿物加工工程技术中极其重要,而球磨机正是其关键设备;针对球磨机系统时变性、非线性的特点,提出了采用大脑情感学习模型(brain emotional learning,BEL)对球磨机系统实现正向模型和逆模型辨识,并利用粒子群算法(PSO)对整个参数空间进行高效并行搜索使参数最优化,并给出球磨机系统数学模型辨识算法;仿真结果表明,改进方法可使模型输出与球磨机系统输出或输入达到一致,具有模型辨识误差小、算法简单的特点.     

情感智能的球磨机系统内模控制研究

针对球磨机系统控制过程中存在的多变量、强耦合、模型时变性的特点,提出基于情感智能的内模控制方案,采用大脑情感学习模型(BEL模型)对球磨机模型进行在线辨识,根据辨识结果设计BEL控制器,建立球磨机的BEL内模控制系统。仿真结果表明该控制方法跟踪快、解耦性能好,控制品质优于传统的解耦控制方法,能够较好地解决球磨机多变量、时变性、耦合性等问题。     

广义输出误差模型的两阶段最小二乘递推辨识

在有色噪声干扰系统中有一类系统, 它具有广义输出误差模型(OEARMA), 本文提出一类广义输出误差模型的 两阶段递推最小二乘参数估计算法. 该算法基本思想是结合辅助模型辨识思想和分解技术, 将系统分解成两个子系统, 每个子系统包含一个参数向量. 借助基于辅助模型和递推最小二乘理论, 用辅助模型的输出代替辨识模型信息向量中未 知中间变量, 用估计残差代替信息向量中不可测噪声项, 从而可以运用递推辨识思想来估计系统所有参数. 该算法具有 较高的计算效率, 仿真例子说明提出算法的有效性.     

基于一种新模糊模型的非线性系统模糊辨识

提出一种基于新的模糊模型和加权递推最小二乘算法 (WRLSA)的非线性系统模糊辨识方法.新型的具有插值能力的模糊系统可以通过学习从输入输出采样数据中提取MISO系统模糊规则,它继承了Sugeno模型及其变化形式的许多优点.采用相应的模糊隶属函数,使得被辨识的模型可用若干局部线性模型来表示,然后利用WRLSA拟合这些线性模型.给出了详细的模糊辨识算法,为了验证该辨识方法的有效性,还给出了对熟知的Box-Jenkins数据的辨识结果.     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

多输入C-ARMA系统参数和时延的梯度追踪辨识算法

考虑含有输入时延的多输入单输出受控滑动平均自回归系统模型的参数和时延估计问题.参数化后的系统模型具有稀疏特性,受递阶辨识原理和压缩感知理论的启发,结合梯度搜索原理和匹配追踪思想提出针对该模型的梯度追踪迭代辨识算法.相比正交匹配追踪迭代算法,所提出的算法计算量较小且具有较高的辨识效率.最后通过数值仿真实例验证所提出算法的有效性.     

基于粒子群算法的1000MW火电机组模型辨识

对于火电厂热工控制系统,建立精确的热工过程模型是保证控制质量的基础.将传统的阶跃响应法用于热工过程模型辨识,由于现场数据的不规则性使得阶跃响应法的经验结果精度不高.针对火电厂热工过程对象的特点及传统模型辨识的缺陷,将粒子群算法用于火电厂热工过程模型的辨识,以1000MW超超临界机组的风煤比作为控制对象,对空预器进口氧量变化系统进行系统辨识,辨识曲线能够很好的反应实际输出曲线,证明了该方法的有效性和可靠性,相比传统的辨识方法,将粒子群算法用于模型辨识提高了辨识的精确性与快速性.     

MISO系统辅助模型多新息增广随机梯度算法

对于有色噪声干扰的输出误差多输入单输出(MISO)系统,常规的递推最小二乘辨识方法给出的参数估计是有偏的.为了提高随机梯度辨识方法的收敛精度和速度,用辅助模型的输出代替辨识模型信息向量中的未知不可测变量,推导出其辅助模型增广随机梯度辨识算法;再引入新息长度扩展标量新息为新息向量,提出了基于辅助模型的MISO系统多新息增广随机梯度辨识算法.所得算法在每一次的迭代中不仅使用了当前数据和新息,而且使用了过去数据和新息,提高了参数估计精度和收敛速度.仿真例子验证了算法的有效性.     

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.