非均匀采样系统的一种递推辨识方法

在非均匀采样系统辨识方法中, 通常利用重采样、数值积分等方法来处理非均匀采样数据, 所用模型多为连续有理分式传递函数, 在递推形式下非均匀采样对象又常局限于``数据缺失'的情况. 本文研究更为一般的异步非均匀采样的多变量系统, 采用连续时间状态空间模型描述, 推导了模型参数、参数梯度和系统状态之间的相互递推关系, 构成一种可变迭代间隔的递推辨识算法, 在每次输出采样点上仅更新模型中受当前采样数据影响的参数. 这种辨识方法可以适用于任意非均匀采样系统, 多采样率系统也可作为一种特例适用于本算法. 仿真结果表明, 所提的方法是可行有效的.     

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.     

非均匀周期采样系统的递阶最小二乘辨识方法

针对非均匀周期采样系统,通过状态空间模型离散化方法得到其输入输出表达形式.鉴于参数化后得到的辨识模型同时包含1个参数向量和1个参数矩阵,利用递阶辨识原理,将辨识模型分解为分别含有参数向量和参数矩阵的2个虚拟子系统;考虑到系统的因果约束问题,将包含参数矩阵的子系统分解为子子系统进行辨识,从而提出这类非均匀采样系统的递阶最小二乘辨识方法.仿真例子表明该算法是有效的.     

辨识时变系统遗忘因子算法的收敛性分析

著名的递推遗忘因子算法（ＲＦＦＡ）可以用辨识时变系统参数，具有良好的跟踪性能，本文借助于随机过程理论分析了ＲＦＦＡ的收敛性和稳定性，给出了参数跟踪误差的上下界。     

基于改进萤火虫算法的T-S模型辨识

提出改进萤火虫算法的T-S模型辨识方法.针对传统T-S模型辨识方法中将前件参数和后件参数分开辨识而不能全局优化辨识的缺点,应用改进萤火虫算法对前件参数和后件参数整体编码整体辨识.改进萤火虫算法是在原始算法基础上对吸引度系数作自适应变化,目的是增强算法在迭代初期的搜索能力,防止其陷入局部极值点,并降低算法在迭代后期在最优解附近的振荡,以提高解的精度.提出的方法能较好地找到全局最优解,具有较高的辨识精度.仿真示例证明了改进方法的有效性.     

神经网络并联辨识算法的收敛性研究

神经网络可用来建立非线性动态系统的模型，其辨识模型可分为串联并联辨识模型和并联辨识模型两种，后者的思路源于基于参考模型自适应方案的输出误差辨识模型，对观测扰动有较强的抑制能力。本文对这种神经网络并联辨识结构的收敛性进行了研究，指出在网络参数满足一定条件时并联预测过程收敛，且并联辨识算法具有局部收敛性，仿真实验验证了上述结论。     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

基于加权最小二乘法的最优适应控制器

普通的最小二乘算法LS，并不能保证它的收敛性，而加权的最小二乘算法WLS，却有很好的收敛性，采用这种算法进行随机系统的辨识，能够保证算法所得的参数收敛于某一个向量，而且这种算法在很多方面具有同普通最小二乘算法一样的性质，采用这种算法对随机系统进行适应控制，能够保证系统是闭环全局稳定的，而且这种适应控制还能收敛于“一步超前”最优控制。     

交通流模型参数的近似动态规划辨识方法

针对交通流模型的强非线性、不确定性等特点,提出了基于近似动态规划的交通流模型参数辨识算法.该算法具有自学习和自适应的特性,不依赖于被控对象的解析模型.严格的理论推导证明了这种参数辨识方案的收敛性,仿真结果验证了所提出算法的有效性.     

电厂热工过程参数辨识

研究了电厂热工过程参数辨识问题。针对传统的蚁群算法在热工过程参数辨识中运行迭代时间长,而且存在容易出现早熟现象而陷入局部最优解的缺陷,提出了用人工免疫蚁群算法对电厂热工过程进行参数辨识的方法。将人工免疫的思想引入到传统的蚁群算法中,将特征信息作为疫苗注射给"蚂蚁",使"蚂蚁"具有免疫能力,新算法模型克服了传统蚁群算法的缺点。用新算法对电厂热工过程参数辨识的仿真结果表明,新算法有效避免了算法出现停滞的现象,提高了算法全局搜索能力和辨识的准确度。     

非整数阶系统频域辨识的递推最小二乘算法

非整数阶系统辨识方法是建立非整数阶系统模型的一种重要工具．本文提出了一种非整数阶系统频域辨识的最小二乘递推算法．给出了算法的详细推导，并用已知系统验证了算法的有效性．结果表明该算法是整数阶系统辨识的最小二乘递推算法的推广．使用此算法，不但能辨识整数阶系统，还能辨识非整数阶系统．     

传递函数阵子子模型参数递推估计：辅助模型方法

本文提出了递推估计传递函数阵子子模型(SSM)参数的辅助模型方法。不同噪信比下的数字仿真结果表明了所提出的算法的有效性。该算法计算量小,且可用于在线辨识。     

Algorithm for identifying parameters of the dynamic system of an aircraft

The parameter identification problem for the nonlinear dynamic system of a sufficiently general form, in which the multipolynomial approximation algorithm processes measured data, is considered. To show the efficiency of the algorithm, an example of parameter identification for a nonlinear dynamic system with non-differentiable right-hand side is given and the identification problem for aerodynamic parameters of aircraft pitching motion is solved.     

一种基于Volterra模型的非线性系统具有全解耦结构的递阶式自适应辨识方法

研究了在输入输出观测数据均含有噪声时如何对基于Volterra级数描述的非线性系统进行解耦自适应辨识的问题. 按照Volterra级数模型的伪线性组合结构, 采用总体最小二乘辨识技术的原理, 导出了一种总体全解耦辨识的思想. 从而建立了一种具有全解耦结构的递阶式自适应辨识算法, 给出了该算法的结构图. 相比于部分解耦辨识算法, 该算法的优点在于它能够在全噪声数据环境下得到更高的收敛速度和精度. 仿真研究的结果证明了本文方法的有效性.     

多变量系统的耦合梯度辨识算法与性能分析

针对多变量系统维数大、参数多、一般的辨识算法计算量大的问题, 基于耦合辨识概念, 推导多变量系统的耦合随机梯度算法, 利用鞅收敛定理分析算法的收敛性能. 算法的主要思想是将系统模型分解为多个单输出子系统,在子系统的递推辨识过程中, 将每个子系统的参数估计值耦合起来. 所提出算法与最小二乘算法和耦合最小二乘算法相比, 具有较少的计算量, 收敛速度可以通过引入遗忘因子得到改善. 性能分析表明了所提出算法收敛, 仿真实例验证了算法的有效性.

     

An Improved Genetic Algorithm Approach on Mechanism Kinematic Structure Enumeration with Intelligent Manufacturing

During the process of mechanism kinematic structure enumeration, isomorphism identification of graphs is an important and complicated problem. The problem is known to be a NP-complete problem. In this paper, according to the mechanism kinematic chain isomorphism identification criteria, a highly efficient hybrid genetic algorithm model is proposed for isomorphism identification. The model method is coupled with genetic algorithm, optimal choice, and optimal crossover operation. It shows a quick convergence rate of the late operation and can avoid convergence to local optimum. Simulation results show that the hybrid algorithm is more rapid and effective compared with simple genetic algorithm and the improved neural network algorithm.     

Simultaneous structure identification and parameter estimation of multivariable systems†

A recursive identification algorithm for multivariable systems is developed by extending the SISO augmented UD identification (AUDI) algorithm developed by Niu, Fisher and Xiao in 1992. This least-squares type algorithm has a simple, compact structure and provides simultaneous identification of model structure and parameters, with excellent numerical properties. A multivariable input/output difference equation model is used as the model representation for identification, and it is shown how the corresponding (unique) canonical state-space representation can also be generated by a straightforward transformation. The algorithm is easier to interpret and more straightforward to implement than the corresponding RLS approaches.     

An Efficient on‐Line Parameter Identification Algorithm for Nonlinear Servomechanisms with an Algebraic Technique for State Estimation

This paper presents a methodology for on‐line closed‐loop identification of a class of nonlinear servomechanisms. First, a system is defined with the same structure as the actual servomechanism, but using time‐varying estimated parameters. No coupling between the actual and the estimation systems is present. Position, velocity and acceleration errors, defined as the difference of the actual respective signals and the signals coming from the estimation system, are required in the identification method. Then, a recursive algorithm for on‐line identification of the system parameters is derived from a cost function depending on a linear combination of all the estimation errors. Velocity and acceleration estimates, required in the proposed parameter identification algorithm, are obtained by using an algebraic methodology. The identification algorithm is compared by means of real‐time experiments with an on‐line least squares algorithm with forgetting factor and an off‐line least squares algorithm with data preprocessing. Experimental results show that the proposed approach has a performance comparable to that obtained with the off‐line least squares algorithm, but with the advantage of avoiding any preprocessing.     

应用速度变异粒子群的系统辨识方法研究

论文研究了一种利用粒子群优化（PSO）算法对系统模型进行辨识的新方法。该方法的基本思想是将典型的数学模型的相互组合而构成系统模型的新颖辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现了系统的结构辨识与参数辨识。为了进一步增强粒子群优化算法的辨识性能,提出了一种利用速度变异的粒子群优化（VMPSO）算法。最后,给出了仿真示例,其结果表明了所给的系统辨识方法的合理性和求解算法的有效性。     

基于模式串匹配的Ethernet协议识别算法研究

协议识别是网络安全与对抗领域中的一项关键技术。简要介绍了网络协议识别的重要性,分析了Ethernet类协议的特征,构建了协议识别的系统模型,依据Ethernet类协议的特征,提出了一种新的基于模式串匹配的协议识别算法NEWMATCH,并对该算法的性能进行了分析,并与传统模式串匹配算法（如：BF、KMP、BM等）进行了比较。该算法在Ethernet类协议识别方面具有一定的适用性。