基于逆Lipschitz条件的二阶导数迭代学习控制

为了提高收敛性和扩展学习律选项,避免高阶相对度的强约束条件,提出了在全局逆Lipschitz条件下的二阶导数迭代学习控制.利用范数理论证明了算法的收敛性.由于二阶导数对噪音敏感,采用多项式滤波避免了振荡,利于工程应用.仿真结果表明,该算法是有效的,应用于不同对象时提高了收敛速度,且精度满足工程应用.     

一种基于光谱的同步快速测定离子浓度方法

为了同步快速测定水中多种离子的浓度,提出了一种光学检测与综合数据处理相结合的方法.该方法基于分光光度法原理,能够快速测得混合离子光谱.用小波降噪、主成分分析降噪和差分降噪对测得数据进行综合处理.其中解决光谱重叠问题是提高测定精度的关键,目前多采用化学或物理的方法消除重叠,速度较慢;而采用待测多种离子的标准光谱,进行鲁棒(稳健)回归分析来消除重叠,其速度快,从软硬件两方面保证了快速性,且便于测量装置小型化.实测表明本方法测定精度高、速度快,同时能完成两种离子浓度的同步测定.     

模型参考辨识在石油化工仿真中的应用

用灰箱方法建立装置或单元的机理模型，可得到精确的模型结构和模型参数的较好初值，用实际运行数据，经模型参考参数辨识，就能得到准确的模型参数。仿真器中用此模型就可满足初、中、高级仿真研究和培训的需要。     

迭代学习控制的最优学习律和简化学习律的频域研究

为了在线性时不变MIMO系统中得到迭代学习控制的最优学习律和便于工程实现的简化学习律,在频域上对其进行了相关研究。以系统的传递函数矩阵为基础,依据Parseval定理,将时域误差关联为频域误差,再利用Jordan标准形矩阵等矩阵性质,得到了学习律的通适收敛条件。通过分析该条件,得出了收敛速度最快的一次迭代就能完成的最优学习律。由于高阶导数不利于消除噪音,因此文中还讨论了导数的降阶,给出了简化学习律算法。仿真结果表明,最优学习律和简化学习律是有效的。     

基于分数阶滤波器的高泛化性神经网络建模

为了显著提高神经网络建模的泛化性,提出了激活函数是分数阶滤波器的神经网络.分数阶滤波器涵盖了Butterworth和Chebyshev滤波器的性能.滤波器集对样本信号进行频率分解,既提升了信息的致密性,也保证了遍历性,更有助于提高神经网络的泛化性.各滤波器参数由盲动粒子群优化算法寻优.神经网络解算时,既采用了线性回归求解神经网络输出层权重,又在有限频段上用线性传递函数模拟替代分数阶传递函数,这两种措施缩短了解算时间.仿真结果表明,线性系统的泛化性精度可达亿分之几,非线性系统可达万分之几,可以离线应用.