TISO-OEAR模型的分解递推最小二乘辨识方法

针对输出误差模型参数估计过程中的计算量较大的问题,提出了基于分解的两输入单输出（TISO）输出误差自回归模型（OEAR）的分解递推最小二乘（DRLS）算法．基本的思想是分解TISO系统为3个子系统,并通过递推最小二乘分别辨识每个子系统．DRLS算法是解决大规模系统的计算量大和复杂辨识模型的辨识难题的一种有效的方法．最后通过仿真实例验证和分析了所提出算法的有效性与优越性,并对两种算法的特点进行了总结．     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

一种新型非线性系统模型参数辨识方法

关于非线性自动控制系统优化问题,为解决复杂非线性系统的辨识问题,提出了一种基于菌群优化算法的非线性系统辨识方法.结合菌群优化算法的特点,通过将待辨识参数设置为群体细菌在参数空间的位置,并利用细菌群体觅食的动态行为来实现对系统参数的辨识,有效地提高了参数辨识的精度和效率.通过对重油热解三集总模型进行了仿真研究,得到了较为精确的过程模型,模型输出与实际输出基本一致.仿真结果表明:菌群优化算法为非线性系统模型参数估计提供了一种有效的途径.     

基于Hammerstein模型描述的非线性系统辨识新方法

Hammerstein模型常用来描述pH值或具有幂函数、死区、开关等特性的过程,本文提出了一种辨识此类对象模型结构和参数的新方法,首先将非线性静态部分和线性动态部分分别用非线性基和Laguerre级数表示,然后通过最小二乘法、矩阵特征值分解和矩阵扩维,辨识出两部分参数．并证明了该方法在输出端存在白噪声情况下误差的收敛性．此方法仅需假设输入为持续激励,适用范围广,计算简单,辨识精度高．最后通过pH中和滴定实验验证了以上结论．     

基于菌群优化算法的非线性系统模型参数辨识

非线性系统模型参数估计一直是自动控制领域的研究热点。针对非线性系统,结合菌群优化(BSFO)算法的特点,提出了一种新型的非线性系统模型参数辨识方法。通过将待辨识参数设置为群体细菌在参数空间的位置,并模拟细菌群体觅食的动态行为来实现对系统参数的辨识,有效地提高了参数辨识的精度和效率。通过对重油热解三集总模型进行了仿真研究,得到了较为精确的过程模型,模型输出与实际输出基本一致。仿真结果表明,菌群优化算法为非线性系统模型参数估计提供了一种有效的途径。     

非线性系统第一类模糊辨识器的设计及仿真

该文针对非线性系统的辨识问题,给出了第一类模糊辨识器的设计方案,该方案通过引入最优逼近误差的自适应律参数项,实时地调整参数来实现对非线性系统的辨识.采用此方法可使辨识器模型的输出很快收敛到真实系统,且辨识误差渐进收敛到零.该文根据此算法编写了便于仿真实现的MATLAB程序,且给出了此程序的解算流程图.最后对Rossler混沌系统的实例进行仿真,绘制了系统真实曲线和辨识器模型输出的估计值曲线,仿真结果说明了该方法在非线性系统辨识中的使用性和可行性.     

基于粒子群算法的球磨机情感智能自适应辨识算法

制粉工艺在矿物加工工程技术中极其重要,而球磨机正是其关键设备;针对球磨机系统时变性、非线性的特点,提出了采用大脑情感学习模型(brain emotional learning,BEL)对球磨机系统实现正向模型和逆模型辨识,并利用粒子群算法(PSO)对整个参数空间进行高效并行搜索使参数最优化,并给出球磨机系统数学模型辨识算法;仿真结果表明,改进方法可使模型输出与球磨机系统输出或输入达到一致,具有模型辨识误差小、算法简单的特点.     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识，从而自动获得模糊规则库，并可以得到模糊系统的初始参数，在聚类的基础上，构造一个与之相匹配的模糊神经网络，用它的学习算法来训练网络，得到一个精确的模糊模型，从而实现参数辨识，通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

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.     

非线性系统的无模型误差控制

针对未知非线性系统提出了一种具有输出变化量加速度比例因子的无模型自学习控制方案，主要思想是利用BP网络对系统输入输出量进行辨识，同时构造误差控制器，通过辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的无模型误差自适应控制。Maflab7．0平台下的仿真结果表明，控制效果良好。     

Robust identification for multi-section freeway traffic models

1IntroductionIt is important to estimate the densityandspeed oftrafficfor the safetyandtraffic control .For decades ,manyresearchwork have been done to estimate traffic density, trafficvolume ,average speed,and other parameters[1,2] .Theproblemof estimating dynamic traffic has been involved inparts of those research work[1 ~4] .By means of O_Dmatrix,some researchers have also made a series of studiesof traffic prediction and traffic layout estimation[5] .However , most of the research work m…     

Robust identification for multi_section freeway traffic models

Since it is difficult to fit measured parameters using the conventional traffic model, a new traffic density and average speed model is introduced in this paper.To determine traffic model structures accurately, a model identification method for uncertain nonlinear system is developed.To simplify uncertain nonlinear problem, this paper presents a new robust criterion to identify the multi-section traffic model structure of freeway efficiently.In the new model identification criterion,numerically efficient U-D factorization is used to avoid computing the determinant values of two complex matrices.By estimating the values of U-D factor of data matrix, both the upper and lower bounds of system uncertainties are described. Thus a model structure identification algorithm is proposed.Comparisons between identification outputs and simulation outputs of traffic states show that the traffic states can be accurately predicted by means of the new traffic models and the structure identification criterion.     

基于W iener 模型的混沌系统辨识研究

提出一种基于Ｗｉｅｎｅｒ模型辨识混沌系统的新方法。该方法利用三层前馈神经网络来辨识Ｗｉｅｎｅｒ模型中的静态非线性环节和学习混沌系统的内在规律性。同时给出了辨识混沌系统的结构和网络权值调整的学习算法。对Ｈｅｎｏｎ系统的仿真结果表明,该方法是有效的。     

模型在线辨识方法及其应用

本文提出了一种有效的非线性模型和参数在线估计方法。为了实现模型在线辨识，本文根据误差性能指标，给出了模型判据及计算式。根据递推加权最小二乘算法和优选判据，导出了模型和参数同时在线估计的有效算法。为了提高计算效率和数值稳定性，模型辨识和参数辨识均采用了Ｕ－Ｄ分解方法。新方法可用于飞行器非线性气动模型和参数的实时估计。实际应用结果表明，使用该方法可以有效地确定多项式、样条函数模型结构，参数辨识的结果满     

基于远程预报辨识的非线性广义预测控制算法

推导了基于远程预报辨识的非线性广义预测控制算法.该算法在辨识基于Hammer-stein 模型的非线性过程时,采用了预测控制算法中远程预报的思想,并在广义预测控制器的设 计上采用了新的优化指标,这就使辨识机制与控制机制有机地结合起来,对系统的阶次不确定 有很好的鲁棒性.     

飞机颤振模态参数辨识的频域广义整体最小二乘算法

采用一种适用于噪声环境的广义整体最小二乘算法,准确地辨识飞机的颠振模态参数．该算法结合有理传递函数模型,将带噪系统的辨识问题转化为广义整体最小二乘问题．利用线性的广义奇异值分解求解模型系数,避免了非线性优化的复杂计算．通过迭代法更新加权项,获得了接近于极大似然估计的辨识效果．最后利用试飞试验数据辨识飞机的模态参数,验证了该方法的有效性．     

基于GEP和GA技术的非线性系统辨识研究

给出了利用基因表达式编程（GEP）进行非线性系统辨识的方法,弥补了传统辨识方法需要过多预知信息的不足,有着比遗传编程（GP）更简洁有效的系统模型结构表达方式.利用改进的遗传算法（GA）并行地进行模型参数进化,可以在有限的给定数据内得到合适的模型.关于模型适应度的定义,综合考虑了精确性和复杂性因素,能够获取一种比较折中的辨识结果.仿真结果表明,这种方式可以快速、准确地获取非线性模型.     

改进的UKF在惯导平台误差模型辨识中的应用

为减小建模误差,建立了基于直接法进行惯导平台误差模型辨识的非线性模型.Unscented Kalman滤波(UKF)是一种新的非线性滤波算法,为此将其引入惯导平台的误差模型辨识中.针对系统模型的特点,对标准UKF算法进行了简化改进.改进的UKF算法计算量小、结构简单,滤波精度与标准UKF一致.同时应用扩展Kalman滤波(EKF)算法和改进的UKF算法进行了惯导平台误差模型辨识仿真研究.仿真结果表明,与EKF算法相比,改进的UKF算法的滤波精度显著提高.     

Nonlinear system identification of a small-scale unmanned helicopter

This paper presents a comprehensive method for identifying the nonlinear model of a small-scale unmanned helicopter. The model structure is obtained by first principles derivation, and the model parameters are determined by direct measurement and system identification. A new adaptive genetic algorithm is proposed to identify the parameters that cannot be directly measured. To simplify the identification process, the overall system is divided into two subsystems for identification: the heave–yaw dynamics and the lateral–longitudinal dynamics. On the basis of the input–output data collected from actual flight experiments, these two subsystems are identified using the proposed algorithm. The effectiveness of the identified model is verified by comparing the response of the simulation model with the actual response during the flight experiments. Results show that the identified model can accurately predict the response of the small-scale helicopter. Furthermore, the identified model is used for the design of an attitude controller. The experiment results show that the identified model is suitable for controller design.     

具有分片非线性输入的Wiener系统的随机梯度迭代(英文)

研究了一类具有分片非线性输入(又称为死区非线性输入)的Wiener系统的参数辨识,分片非线性输入是一个强非线性输入,其数学模型不能写成参数乘以输入的形式,首先引入开关函数,接着利用开关函数将原系统的不可辨识模型转换为可辨识模型,然后通过随机梯度迭代方法辨识出系统的参数,利用辨识出的参数可以计算出系统所有待辨识参数。仿真结果证明了本文方法的有效性。