基于T-S模型的自适应模糊广义预测控制

对一类非线性系统,利用一种基于模糊规则的快速模糊辨识方法建立起系统的T—S模型,并基于该模型应用局部递推最小二乘方法根据采样值对模型参数进行在线修正,根据系统动态线性化模型采取广义预测控制策略,从而实现了基于T—S模糊模型的非线性系统自适应模糊预潮控制。与以往的模糊广义预测控制算法相比,此方法简单,而且较大地减少计算量,适合于在线控制。通过仿真研究验证所提方法的有效性。     

变步长NLMS自适应滤波算法研究

将步长因子μ与误差信号e(n)之间的一种非线性函数关系引入归一化最小均方(NLMS)自适应滤波器,提出了一种变步长NLMS算法.与一些已有算法相比,算法的步长因子易于设计和控制,对于有色输入信号,能够得到较快的收敛速度和较低的稳态失调.仿真结果和理论分析相一致,证实了算法的有效性.     

权重自适应模糊层次分析方法及应用

借鉴了误差反向修正理论和增量式的思想,结合层次分析法固有的优势,提出了具有自适应能力的权重设定层次分析法(adaptive weight setting method,AWS)新方法,使盾构法隧道施工风险识别模型能够利用较少的施工数据,完成进行权重调整,满足了实际隧道施工中风险评估的需求.该方法在上海地铁某区间隧道工程中进行了试用,取得了良好的效果,表明了该方法的有效性和实用性.     

混合编码免疫算法在船舶载重计量的应用

提出一种混合编码免疫辨识算法, 并应用于船舶载重货物计量的模型辨识. 该算法结合免疫算法优越的全局搜索性能与GP算法简洁的结构树编码方法, 将抗体编码为模型结构树编码与模型参数编码的组合, 通过对抗体结构与参数的免疫操作, 实现全局寻优及非线性模型的结构与参数的一体化辨识. 算法不依赖对象的先验知识, 辨识的模型结构简单、易于理解. 仿真及船舶载模型的辨识应用验证了本算法的有效性及较强的非线性逼近能力.     

一种新的基于遗忘因子的递推子空间辨识算法

针对工业系统中广泛存在的时变特性, 提出一种新的递推子空间辨识算法, 实现对系统状态空间模型的在线递推估计. 为更好地跟踪系统时变特性, 研究基于遗忘因子的输入输出数据矩阵构造机制, 以提高递推算法的收敛速度; 针对算法中奇异值分解的求解问题, 将梯度型算法引入基于遗忘因子的状态子空间跟踪中, 实现对广义能观测矩阵的估计, 避免了子空间近似带来的估计有偏性; 该算法计算简单有效, 且对初值具有更高的鲁棒性; 最后给出该递推算法的性能分析, 理论证明其收敛性, 并通过仿真实例验证算法的有效性.     

基于神经网络和D-S证据理论辨识两相流流型

提出一种基于电容层析成像(ECT)系统、神经网络和证据理论辨识两相流流型的方法。这种方法采用神经网络与D-S证据理论相结合的方法来辨识两相流流型,并对两相流的几种常见流型进行了辨识。仿真实验结果表明:此种方法在两相流流型辨识中具有较高的判别精度,为两相流流型辨识提供了一种有效的手段。     

大工业系统中-类Hammerstein模型辨识法

针对大工业系统中Hammerstein模型,提出一种稳态与动态辨识相结合的子空间模型-分散辨识两步法.此方法是将设定点的阶跃信号作为输入辨识信号,对静态非线性增益部分和线性动态部分进行辨识.很好地解决了传统两步法中非线性求解难和两步之间缺乏有机沟通的问题.仿真结果表明该方法的有效性和实用性.     

多信息融合的汉语方言辨识

文章提出了一种融合声学、音素配位和韵律特征等多信息融合的汉语方言辨识系统,分析了将语言信息转化为这些特征的实验方法,在此基础上,根据汉语方言辨识的特点,提出了一种基于概率模型的多信息辨识机制,实验结果表明,韵律特征对于短时语音具有很好的辨识效果,而音位配列特征对于长时语音更加有效。对于汉语三种方言的辨识,融合这三种特征的辨识率达95％。     

数字图像复原技术综述

数字图像复原的目的是将所观测到的退化图像恢复到退化前的原始图像,该恢复过程在很多图像处理应用中至关重要。近年来,图像复原技术虽已得到广泛研究,但仍有值得改进之处。为了使该领域的研究人员对当前各种图像复原方法有较全面的了解,在众多技术文献中选取了具有典型性的95篇来对各种图像复原方法进行分类综述。首先通过对复原技术问题的描述,揭示了复原技术的数学背景;其次以数字图像复原技术发展为主线,将复原方法归结为两大类进行详细讨论。一类是经典图像复原方法,另一类是现代图像复原方法。前者反应复原技术背景与发展过程,后者体现复原技术的发展趋势与面临的困难。最后,在总结全文的基础上,指出在今后进一步研究中值得关注的7项问题。     

基于模糊RBF神经网络的换热器建模

针对换热器的复杂非线性特征,利用一种模糊RBF神经网络结构,对其网络学习算法进行部分改进,并用于解决换热器的建模问题。采用模糊RBF神经网络不仅符合人的思维推理方式,也提高了神经网络的学习泛化能力,在改进的学习算法中通过学习率的值的不断变化和添加动量项,可以使学习速度加快,提高了辨识换热器模型的准确性。通过与传统的学习算法的仿真比较,验证了所提出的改进学习算法在辨识精度和稳定性方面具有更好的效果。