基于残差滤波的非线性系统识别算法

针对非线性系统的动力响应问题,提出了一类基于残差滤波的系统识别算法。该法以变阶AR 模型模拟有色噪声,有效地抑制了观测噪声与模拟噪声对识别参数的影响。通过仿真算例和地震模拟试验结果的系统识别计算,表明了本文所示算法的可靠性。     

基于STUKF的非线性结构系统时变参数识别

针对非线性结构系统时变参数识别问题,传统无迹卡尔曼滤波(Unscented Kalman Filter,UKF)难以有效跟踪结构参数的变化。将强跟踪滤波原理引入无迹卡尔曼滤波,提出一种强跟踪无迹卡尔曼滤波(Strong Tracking Unscented Kalman Filter,STUKF)算法,以识别结构参数的变化。在UKF量测更新后,依据输出残差计算渐消因子矩阵;引入两个渐消因子矩阵实时调整状态预测协方差矩阵,使残差序列强行正交,快速修正结构参数估计值,使STUKF具有对结构参数变化的跟踪能力;此外,为节省计算时间,调整状态预测协方差矩阵后不再进行sigma点采样,保证了算法的高效性。数值分析结果表明,该算法能有效识别非线性结构系统的参数及其变化,并具有较强的抗噪性。     

非线性结构的参数估计和系统识别

非线性结构的参数估计和系统识别是取得和验证非线性结构数学模型的一门学科.本文综述了国内外非线性结构参数估计和系统识别的发展状况,较系统地介绍了非线性结构的数学模型、单自由度、多自由度系统的参数估计方法和非参数模型的识别方法.     

非线性系统识别的一种频域方法

本文首先定义函数准正交的概念,然后在证明了时域频域正交定理的基础上,利用时域信息构造了一类正交函数,提出一种非线性系统识别的频域方法,从而将正交函数计算过程简单与频域信息抗干扰能力强的特点结合起来,算例证明了这一方法的优越性。     

柔性聚氨酯泡沫动态性能的测试和系统参数的识别

文章描述了车内座椅用柔性聚氨酯泡沫动态性能的测试技术和主要系统参数的识别方法。测试实验装置中一刚性质量块被安放在3英寸的泡沫立方体上,该泡沫立方体为系统唯一的弹性材料。整个动态系统模型化为一单自由度系统。实验装置可由刚性质量块上的小的脉冲激励或由激振器在底座上激励。对于脉冲激励,由于其振幅较小,泡沫变形较小,可简化为一线性、粘弹性材料;对于激振器激励,振幅较大,引起的泡沫变形亦较大,此时泡沫可看成非线性的、粘弹性材料。对以上两种情况,分别测试其系统响应并根据实验数据计算识别出系统的主要参数。     

非线性系统识别的小波方法研究

利用小波变换时频分析的特点，用Morlet复小波函数对弱Duffing系统的有阻尼自由振动响应进行小波变换，通过脊线所对应的尺度可以计算出瞬时振动频率，通过脊线上的小波系数可以得到瞬时振幅。由系统的瞬时频率和瞬时振幅与时间的关系以及它们之间的相互关系，由曲线拟合可以得到系统的固有频率、阻尼系数和非线性系数。数值算例证实了此方法的正确性，计算表明非线性系数的识别精度与非线性程度和初始振幅大小有关。     

H∞-学习神经网络的非线性系统识别

基于H∞-滤波算法提出了一种有效的回归神经网络学习方法。该方法能有效解决系统模型和噪声统计特性存在不确定的问题。在利用神经网络进行非线性系统识别中，该方法对任意的网络结构能进行整体优化训练，具有良好的泛化能力。在非线性结构系统识别中验证了该方法的可行性与有效性。     

非线性系统参数识别的一种频域方法

在非线性振动系统的控制微分方程已知的前提下,一般能够用近似方法求出弱非线性系统的频率响应函数。本文提出了一种新的频域方法,即利用测量得到的一组频率、振幅值拟合频响曲线来识别非线性系统的参数。该问题实际是一个优化设计问题,本文用优化原理中的直接寻优方法和解非线性方程组的迭代法,对杜芬方程控制的系统进行参数识别,两者的结果是非常接近的。     

经验非线性涡激力模型参数识别

本文的主要内容是利用涡激共振竖向位移响应,基于广义谐波函数KBM法并引入缓变参数的概念,对Scanlan经验非线性模型进行处理,识别其中的气动参数,并得到Scanlan非线性涡激力。对识别得到的Scanlan非线性涡激力,分别通过：用Newmark&;#61538;反求响应与实测响应进行比较;与从天平同步测得的合力中提取出实测的涡激力进行比较,对识别精度做出评价。试验是在同济大学TJ-1号风洞均匀流场中进行的,以象山港大桥初始设计阶段节段模型为例,用激光位移计采集模型的位移响应,并用一维梁式应变测力天平同步采集模型所受的力。     

系统非线性参数识别的松驰法

研究了非线性参数系统模型的识别问题,通过引入求解线性方程的松驰法思想,构造了一类新的迭代识别算法。算例表明此方法具有很好的参数识别精度,并且具有概念清楚,易于编程等特点,为非线性系统模型参数的识别问题提供了新的思路。     

Monte Carlo simulation for model-based fault diagnosis in dynamic systems

Fault diagnosis requires the accurate estimation of the dynamic state of the system in real time. This can be pursued starting from a model of the system dynamics and on measurements related to the state of the system. In real applications, the nonlinearity of the model and non-Gaussianity of the noise typically affecting the measurement challenge the classical approximate approaches, e.g. the extended-Kalman, Gaussian-sum and grid-based filters, which often turn out to be inaccurate and/or too computationally expensive for real-time applications. On the contrary, Monte Carlo estimation methods, also called particle filters, can be very effective. Based on sequential importance sampling and on a Bayesian formulation of the estimation problem, these methods recursively approximate the relevant probability distributions of the system state by random measures composed of particles (sampled values of the unknown state variables) and associated weights.The present paper aims at demonstrating the power of particle filtering for fault diagnosis. This is done by applying an estimation procedure called sampling importance resampling (SIR) to a case study of literature.     

水晶球软件及其在数学建模中的应用

加载在微软电子表格软件上的水晶球软件是一个易于使用的软件，它包括蒙特卡洛模拟（水晶球）、时间序列预测（水晶球预言家）、最优选择（优化查询）和用来构造定制界面和程序的开发工具箱。模拟方法建模和用计算机模拟检验数学模型的正确性正日益流行。加载了水晶球软件的电子表格可以方便地进行蒙特卡洛模拟，从而为计算机模拟的教学和应用提供了很好的手段。本文介绍了水晶球软件的主要功能和两个应用实例。     

Particle filtering prognostic estimation of the remaining useful life of nonlinear components

Bayesian estimation techniques are being applied with success in component fault diagnosis and prognosis. Within this framework, this paper proposes a methodology for the estimation of the remaining useful life of components based on particle filtering. The approach employs Monte Carlo simulation of a state dynamic model and a measurement model for estimating the posterior probability density function of the state of a degrading component at future times, in other words for predicting the time evolution of the growing fault or damage state. The approach avoids making the simplifying assumptions of linearity and Gaussian noise typical of Kalman filtering, and provides a robust framework for prognosis by accounting effectively for the uncertainties associated to the estimation. Novel tailored estimators are built for higher accuracy. The proposed approach is applied to a crack fault, with satisfactory results.     

稀疏无线传感器网络移动节点定位算法

为解决稀疏无线传感器网络的现有MCB移动节点定位算法存在定位精度低和无法定位的节点的数量多的问题,对MCB算法进行了改进,进而提出了一种新的移动节点定位算法MCBP,该算法把已定位的节点作为其它未定位节点的参考点(准信标节点),利用准信标节点的位置信息参与后续定位过程,使更多的节点可以定位,并且提高了定位精度。仿真结果表明,MCBP移动节点定位算法比前人的类似算法的定位误差最大可减少22%,平均减少16%。无法定位的节点的数量最大可减少26%,平均减少12%。     

Monte Carlo模拟薄膜生长的研究

阐述了Monte Carlo方法在薄膜生长中的应用和最新进展;简要论述了Monte Carlo算法的类型及各自的特点;结合MonteCarlo方法的特点,提出了模拟薄膜生长的模型以及处理方法.同时,归纳出MonteCarlo模拟薄膜生长需要解决的主要问题.     

模糊自适应滤波的主动控制方法研究

由于主动控制中广泛使用的自适应滤波 - x L MS算法只适用于线性控制问题 ,针对一些非线性问题 ,本文提出利用一种非线性自适应滤波方法——基于模糊逻辑系统的自适应滤波方法来解决一类参考信号与外扰呈非线性函数关系的前馈主动控制问题。仿真结果表明 ,该模糊自适应滤波器优于线性滤波器的控制效果     

输入未知下非比例阻尼结构参数识别方法的研究

在地震动、地脉动等环境激励下的结构动力测试中,由于输入信息的随机性和作用位置的不确定性,输入信息是难以测试或难以精确测试的。本文在研究前人关于复合反演算法的基础上,提出加权平均修正算法,解决了地震动未知情况下结构参数的识别问题;在此基础上,本文研究非比例阻尼模型下的识别问题,针对堆积阻尼模型下的结构系统,结合松弛算法和加权平均修正算法,提出比例输入未知条件下非比例阻尼模型结构参数系统识别的迭代修正算法。     

子空间系统辨识方法的系统阶数估计

阶数估计是子空间系统辨识方法的一个重要环节,一直以来没有得到很好解决。回顾了以奇异值序列“间断”点、奇异值梯度序列“间断”点、NIC准则和奇异值准则 (SVC) 为判断依据的4种阶数估计方法。并在SVC的基础上提出改进方法MSVC。通过Monte Carlo试验比较了各准则的性能,结果表明MSVC的估计效果优于其它4种准则。并在试验结果的基础上给出了数据块Hankel矩阵的块行数和块列数的取值建议。     

Plug-and-play inference for disease dynamics: measles in large and small populations as a case study

Statistical inference for mechanistic models of partially observed dynamic systems is an active area of research. Most existing inference methods place substantial restrictions upon the form of models that can be fitted and hence upon the nature of the scientific hypotheses that can be entertained and the data that can be used to evaluate them. In contrast, the so-called plug-and-play methods require only simulations from a model and are thus free of such restrictions. We show the utility of the plug-and-play approach in the context of an investigation of measles transmission dynamics. Our novel methodology enables us to ask and answer questions that previous analyses have been unable to address. Specifically, we demonstrate that plug-and-play methods permit the development of a modelling and inference framework applicable to data from both large and small populations. We thereby obtain novel insights into the nature of heterogeneity in mixing and comment on the importance of including extra-demographic stochasticity as a means of dealing with environmental stochasticity and model misspecification. Our approach is readily applicable to many other epidemiological and ecological systems.