带自相关约束的NARX动态软测量模型

非线性带外输入自回归模型(NARX)在进行预测估计时依赖于主导变量的实时测量,因此在实际工业过程中存在一定的实施难度.针对该问题,利用神经网络构造一种新型NARX动态软测量模型,当工业过程无法及时提供上时刻主导变量测量值时,能通过多步预测方法来确保主导变量的实时预测,通过设计模型结构来降低预测序列的自相关性,从而抑制由多步估计造成的累积误差,以适当降低单步预测精度为代价,使模型在主导变量检测时间长、采样周期长、测量存在噪声的工业场合下得到更好的预测效果.通过数学分析和脱丁烷塔数据仿真实验验证了所构建模型的有效性.     

基于Householder变换的贪婪正交最小二乘辨识算法

针对含有未知时滞的多输入受控自回归系统模型的时滞与参数辨识问题,基于Householder变换探讨一种贪婪正交最小二乘辨识算法.首先,由于各输入通道的时滞未知,通过设置输入数据回归长度对系统模型进行过参数化,得到一个含有稀疏参数向量的高维辨识模型;其次,为了避免最小二乘算法中对高维协方差矩阵的求逆运算,利用Householder变换对信息矩阵进行正交分解,推导基于Householder变换的正交最小二乘算法;然后,为了提高辨识效率,降低辨识成本,推导基于Householder变换的贪婪准则,进而得到基于Householder变换的贪婪正交最小二乘辨识算法,该算法能够在少量采样数据的条件下获得稀疏参数向量的估计值;最后,根据估计的稀疏参数向量的结构得到系统时滞估计.仿真结果表明了所提出算法的有效性.     

饱和非线性维纳系统的可变遗忘因子梯度辨识

为了解决饱和非线性维纳(Wiener)系统的参数辨识问题,提出了基于辅助模型的可变遗忘因子随机梯度算法。首先,由于饱和非线性的特殊结构,采用了切换函数变换非线性表达式,使所有未知参数包含在一个向量中,将系统模型转换为线性回归形式。然后,为了获得未知的中间变量,构造辅助模型,运用辅助模型的输出替换信息向量中的未知内部变量。最后,为了提高随机梯度算法的收敛速度,在算法中引入了可变遗忘因子。仿真结果表明,与传统的随机梯度算法相比,所提算法的参数估计更精确,且收敛速度更快,验证了所提算法的有效性。