l1鲁棒辨识:一种递推插值方法

针对l1鲁棒辨识不能有效利用试验数据和进行在线辨识的问题,提出了一种在线递推插值辨识方法.用几何方法描述试验信息,利用系统可行集与新的试验信息所构成的半空间的包含关系判断数据信息,有效地利用了试验数据,提高了辨识精度.同时提出了一种新的计算辨识误差紧界的方法.仿真结果表明了算法的有效性和可行性.     

l1鲁棒辨识: 最小二乘算法及试验设计

现有的l¹鲁棒辨识方法依赖于观测数据自的起始时刻因而不能用来辨识时变系统, 针对该问题基于最小二乘法提出了一种l¹鲁棒辨识算法. 该算法与观测窗的起始时刻无关, 可用于时变系统的辨识, 证明了当试验输入为持续激励信号时所提出的算法为本质最优算法, 进一步证明了周期持续激励序列为最优试验信号, 并给出了辨识误差紧界的计算公式. 最后利用提出的算法研究了慢时变系统的l¹鲁棒辨识问题.     

基于神经网络和遗传算法的智能PID控制

提出了一种结合神经网络和遗传算法的智能PID控制算法;该控制器先利用RBF辨识网络在线辨识系统模型,再利用遗传算法在线调整PID三个控制参数,将传统的Ziegler-Nichols方法所得的控制参数作为遗传算法的初始参数范围,缩小了遗传算法的寻优范围;在MATLAB6.5环境下进行仿真和试验研究,结果证明RBF辨识网络的输出能够很好地跟踪对象输出,遗传算法很好地优化了控制参数;二者结合可在线有效地控制较复杂的被控对象.     

基于递推批量最小二乘的Volterra级数辨识方法

针对用批量最小二乘方法进行 Volterra级数在线辨识计算量大 ,所需数据存储空间多 ,以及实际应用时自相关矩阵易出现病态的不足 ,提出了一种基于递推批量最小二乘的 Volterral级数辨识方法 .该方法利用观测矩阵维数固定的批量最小二乘辨识 ,形式简单 ,所需数据存储空间小 ;同时利用递推辨识的思想 ,避免了对矩阵直接求逆 ,减小了计算量 .另外 ,为了防止自相关矩阵出现病态 ,文中引入影响因子的概念对观测数据进行取舍 ,一定程度上增强辨识的数值稳定性 .最后通过一个工程实例验证了该方法的有效性 .该方法为 Volterra级数的在线辨识提供了一个重要方法     

一种不完全信息下递推辨识方法及收敛性分析

针对信号在网络环境下传输带来不完全信息使得在线参数辨识算法和收敛性困难的问题, 不同于传统递推最小二乘方法, 本文提出了一种不完全信息下递推辨识方法并分析其收敛性. 首先运用伯努利分布刻画引起不完全信息的数据丢包特性, 然后基于辅助模型方法补偿不完全信息并构造了新的数据信息矩阵, 并运用矩阵正交变换性质对数据信息矩阵进行QR分解, 推导了融合网络参数的递推辨识新算法, 理论证明了在不完全信息下递推参数辨识算法的收敛性. 最后仿真结果验证了所提方法的可行性和有效性.     

数据驱动的蒸发器在线建模方法

针对蒸发器离线建模方法对变量运行工况范围要求较大的问题，利用K-means算法对辨识模型的观测数据进行聚类筛选处理，提出一种基于数据的蒸发器在线建模方法。首先利用DB准则和PSO算法提出K-means算法中最优分类数K*和最优初始聚类中心的确定方法，提高算法的收敛速度，并使用改进的K-means算法获得各簇聚类中心来代替辨识模型的观测数据，减少模型辨识的数据量。然后利用已有的蒸发器模型结构以及模型辨识方法，对模型进行辨识。实验结果表明：利用聚类筛选前、后的观测数据所辨识的模型精度基本相当，分别在±3%和±3.5%以内。最后利用在线观测数据到各聚类中心欧氏距离的分析判断，提出蒸发器的在线建模方法。该方法可以先采用小工况范围的少量离线数据辨识模型，再利用在线数据修正模型参数，扩大模型的适用范围。     

基于BP神经网络的PID控制器研究

BP神经网络的PID控制器依赖于灵敏度信息实现参数在线调整,获得灵敏度信息非常重要。利用符号函数来获得灵敏度信息,计算不精确,利用RBF对被控对象在线辨识获得灵敏度信息,收敛速度慢。提出了一种新方法,即在RBF神经网络辨识的基础上,当误差较大时,利用符号函数获得灵敏度信息,以加速收敛;当误差较小时,利用RBF神经网络在线辨识获得灵敏度信息,以提高控制精度。仿真结果表明算法收敛速度快、精度高,控制效果优于符号函数实现的参数调整方法。     

一种完全数据驱动的子空间辨识与鲁棒预测控制器设计

针对线性时变多变量系统,在可能存在输入输出数据噪声的情况下,不需已知系统的先验结构信息,提出一种完全数据驱动的子空间辨识及控制器设计方法.在子空间在线辨识基础上,利用不确定性模型更好地建模被控系统,结合鲁棒控制策略进行预测控制器的设计;将系统建模与鲁棒控制器的设计包含在一个控制系统设计框架内,对模型不确定性具有更好的鲁棒性;最后给出仿真实例验证算法的有效性.     

模糊规则在线提取及其在非线性系统辨识中的应用

提出一种从输入-输出数据提取模糊规则的新方法基于K-Nearest-Neighbor概念对输入-输出数据对进行预处理;利用竞争学习对输入空间自适应聚类;提取高斯基;在线调整规则库和模糊推理.将该方法应用于非线性系统辨识,仿真结果表明了它的有效性     

基于自适应重叠系数的T-S 模型在线辨识算法及应用

为使T-S模型在线辨识时能够更加合理地划分模糊空间,提出一种根据相邻聚类中心距离确定模糊空间重叠系数的方法.将该方法与一次完成最小二乘法、递推最小二乘法相结合,得到了一种辨识精度较高的T-S模型在线辨识算法.以某型号单晶炉热场的实际运行数据为对象,应用所提出的算法对热场模型进行在线辨识.辨识结果表明,由该辨识算法得到的单晶炉热场模型具有较高的精度.     

协方差重置的两阶段递推贝叶斯参数辨识算法

为了在有色噪声干扰情况下获得无偏估计,基于辅助模型思想和分解技术,提出了一种带协方差重置的两阶段递推贝叶斯辨识算法。该算法首先把待辨识模型分解成两个虚拟子模型,然后分别辨识;同时,把估计到的噪声方差引入算法,并加入了一种新的协方差重置方法。计算量分析表明,与带协方差重置的最小二乘算法相比,所提算法可以减少计算量。仿真结果显示,所提算法的估计误差比传统最小二乘算法要小。实例建模证明了算法的有效性。     

基于Wiener结构的软测量模型及辨识算法

Wiener模型结构能有效地表征系统的动态和静态特性, 因此这里首先基于这一结构建立软测量模型, 利用动态与静态子模型分别建立辅助变量与主导变量间的动态与静态关系, 并说明该软测量模型的可行性, 给出模型具体表达式. 其次, 针对所提模型, 提出分步辨识方式获得最优模型参数, 说明其可行性. 再次, 为了减少计算和实现模型在线更新, 这里提出参数辨识递推算法, 并给出软测量模型参数的收敛性结论. 通过实例仿真, 可以看出本文提出模型的可行性, 以及分步辨识方式与递推算法的有效性.     

有理模型辨识的两类新方法-----混合迭代与柔性最小二乘法

针对有理模型提出两类辨识方法.首先提出基于递阶辨识思想的混合辨识方法,将模型分解为分子和分母两个子模型,分别用最小二乘法辨识分子参数,用粒子群算法和智能多步长梯度迭代算法辨识分母参数.由于降低了模型维数,且信息向量与噪声不相关,相对于传统的偏差补偿最小二乘算法,混合迭代法可以提高辨识精度并降低计算量.然后,为消除模型结构已知的假设,且充分利用最新数据更新系统参数,提出柔性递推最小二乘辨识方法,将有理模型转化为时变参数系统,进而辨识出时变系统的参数.仿真例子验证了所提出方法的有效性.     

Identification of nonlinear time-varying systems using an online sliding-window and common model structure selection (CMSS) approach with applications to EEG

The identification of nonlinear time-varying systems using linear-in-the-parameter models is investigated. An efficient common model structure selection (CMSS) algorithm is proposed to select a common model structure, with application to EEG data modelling. The time-varying parameters for the identified common-structured model are then estimated using a sliding-window recursive least squares (SWRLS) approach. The new method can effectively detect and adaptively track and rapidly capture the transient variation of nonstationary signals, and can also produce robust models with better generalisation properties. Two examples are presented to demonstrate the effectiveness and applicability of the new approach including an application to EEG data.     

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.     

基于辅助模型和数据滤波的伪线性回归系统参数估计方法

针对伪线性输出误差回归系统的辨识模型新息信息向量存在不可测变量的问题,首先通过构造一个辅助模型,用辅助模型的输出代替未知中间变量,推导得到的基于辅助模型的递推最小二乘参数估计算法计算量较大,但算法的辨识效果不佳。进一步采用估计的噪声模型对系统观测数据进行滤波,使用滤波后的数据进行参数估计,从而推导提出了基于数据滤波的递推最小二乘参数估计算法。仿真结果表明,所提算法能够有效估计伪线性回归线性输出误差系统的参数。     

一种基于参数辨识的迭代学习控制算法及应用

针对间歇过程中模型参数变化的问题,提出了一种基于遗忘因子最小二乘法辨识的迭代学习控制算法。迭代学习律的参数随模型参数变化而更新,利用遗忘因子大大减小参数变化时"错误"数据对算法的影响,使算法具有更强的自适应性。把这一算法应用于黄酒发酵过程,提高了发酵过程的优化控制效果。仿真结果表明当模型参数随着批次变化时,系统的跟踪性能得到了改进。     

基于云计算的层次粗糙集模型约简算法研究

传统的并行属性约简算法通过利用抽样技术获取小数据样本进行知识约简,但对于大数据集来说,样本数据不具有一般性且无法代表整个数据集.为了弥补传统并行属性约简算法只能用来计算最小属性约简、处理小数据集的缺陷,论文通过分析了先验知识在粒计算中的重要性,结合云计算技术处理海量数据的优势,以粗糙集理论为背景,从不同角度、层次出发建立层次粗糙集模型,提出基于云计算的层次粗糙集模型约简算法,讨论并实现了知识约简算法中的可并行化操作,利用Hadoop在普通计算机集群上进行试验,从运行时间、加速比、可扩展性三个方面对所提出基于正区域、信息熵、边界域算法的重要性进行评价.实验证明：基于云计算的层次粗糙集模型约简算法可以有效处理大数据集.