基于混合粒子群优化算法辨识Hammerstein模型

非线性系统辨识是现代辨识领域中的一个主要问题。在非线性系统辨识中,系统常被表示为一系列块连接。针对非线性系统中的Hammerstein模型,本文提出了利用混合粒子群优化算法对非线性系统模型进行辨识。该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题,然后采用粒子群优化算法(PSO)获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法。最后,给出仿真实验,其结果验证了本文给出的辨识方法是有效的。     

基于函数连接神经网络的传感器Hammerstein模型辨识研究

针对非线性动态传感器模型辨识问题,提出利用函数连接神经网络算法对非线性系统的Hammerstein模型进行一步辨识的方法。以多项式逼近传感器中的静态非线性环节,同时结合动态线性环节的差分方程,建立关于直接输入输出的离散数据表达式,利用改进FLANN训练求解Hammerstein模型参数。采用变学习因子的方法对FLANN算法进行改进,提高了收敛速率和稳定性。实验结果表明,该辨识方法简单有效且具有更快的收敛速度。     

基于Hammerstein模型的MAF传感器的动态补偿研究

用Hammerstein模型表示具有动态非线性特性的汽车空气质量流量(MAF)传感器,所设计的动态非线性补偿器包括动态线性补偿器和静态非线性校正器.对动态标定实验装置中的阀门进行建模,阀门的阶跃响应作为传感器的激励信号.应用系统辨识法设计动态线性补偿器,应用反函数多项式拟合法设计静态非线性校正器.仿真结果表明,动态线性补偿器起到改善传感器动态性能指标的作用,静态非线性校正器可以保证校正后无失真的复现传感器的输入信号.同时,所设计的动态非线性补偿器具有良好的适应性,在传感器的不同幅值输入时,都起到了动态性能指标改善、稳态幅值无失真复现的作用.     

基于Wiener-Hammerstein模型的一种系统辨识方法

针对工业大系统中Wiener-Hammerstein模型,提出一种新的辨识方法。该方法结合分散辨识对线性系统辨识精度高的优点与混合粒子群优化解决非线性、不可微和多峰值的复杂问题的长处,进行复合控制,并利用计量学中的动态计量方法,建立动态计量仿真模型。仿真研究与实验结果表明,该方法应用在非线性分布参数系统辨识中可有效提高辨识精度。     

一种热线式MAF传感器分段块联模型辨识

采用静态非线性函数与动态线性环节的块连接模型来描述热线式空气质量流量(MAF)传感器的动态特性,非线性环节用多项式表示,动态线性环节采用OE模型结构.基于静、动态标定实验数据,分别建立了热线式MAF传感器在正、负阶跃激励下各校准点的Hammerstein模型,并利用非建模数据对其进行了相互验证.通过合理选择分段区间,确定出热线式MAF传感器各工作区域的最佳局部动态数学模型.模型检验结果表明:基于Hammerstein模型的分段模型比由任意一组动态数据所建模型具有更高的预测精度.     

一种热线式MAF传感器分段块联模型辨识

采用静态非线性函数与动态线性环节的块连接模型来描述热线式空气质量流量（MAF）传感器的动态特性,非线性环节用多项式表示,动态线性环节采用OE模型结构．基于静、动态标定实验数据,分别建立了热线式MAF传感器在正、负阶跃激励下各校准点的Hammerstein模型,并利用非建模数据对其进行了相互验证．通过合理选择分段区间,确定出热线式MAF传感器各工作区域的最佳局部动态数学模型．模型检验结果表明：基于Hammerstein模型的分段模型比由任意一组动态数据所建模型具有更高的预测精度．     

基于PSO算法的MFF模型的参数辨识与优化

基于磁链理论和Monte-Carlo法,建立了磁流体薄膜(MFF)传感模型和MFF透射模型,分析了磁流体透射特性。采用粒子群算法对MFF透射模型进行了参数辨识,分析了群体数目、迭代次数、惯性权重、加速度因子等参数选值对算法运行结果的影响,并选取了最佳参数组合。搭建了MFF电流传感器实验平台,运用MFF透射模型对MFF电流传感器进行了仿真预测,分析了MFF厚度和粒子浓度对MFF透射性的影响,实验及仿真结果表明该模型预测误差在2.3%以内,该MFF电流传感器的测量灵敏度达到12 μW/A。     

基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化（QPSO）引入到非线性Volterra系统辨识中,提出了一种基于量子粒子群优化（QPSO）的Volterra级数辨识方法,利用QPSO算法估计出了非线性系统的Volterra核函数。提出的方法同时和传统的最小二乘法(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,提出的方法与LMS方法都具有很好的辨识精度和收敛性。然而,在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,本文方法都优于传统的LMS方法,而且,随着噪声的增强,这种优势越明显。     

可靠性优化的一种新的算法

建立了可靠性冗余优化模型,提出了一种基于粒子群优化算法的可靠性优化的新方法,该方法结合了遗传算法的思想。实例结果表明,粒子群算法比模拟退火算法和遗传算法效果好。     

基于粒子群算法的6自由度机械臂动力学模型参数辨识

提出了基于粒子群优化(PSO)算法的工业机器人动力学参数辨识方法。首先利用改进的牛顿-欧拉方法,建立考虑关节摩擦的机械臂线性动力学模型,然后引入PSO算法,建立基于PSO算法的估计未知动力学参数的算法,最后以UR工业机器人为实验对象,通过设计激励轨迹,激励工业机器人关节运动,并对关节运动参数进行采样,实现UR工业机器人的动力学参数估计,并根据力矩预测精度验证动力学模型。实验证明了所提出算法辨识工业机器人动力学模型参数的准确性和有效性。     

遗传算法在EMD虚假分量识别中的应用

针对EMD(经验模态分解)产生虚假分量这一问题,将遗传算法和K-L散度相结合,对虚假分量进行研究。该方法是先将原始信号进行EMD得到固有模态分量(IMF);将遗传算法和基于均方积分误差的窗宽最优化原则相结合,分别对原始信号和各个IMF分量优化选取窗宽;然后运用核密度估计方法分别得到它们的概率密度函数估计;最后计算原始信号与IMF分量之间的K-L散度值,设定K-L阈值,将K-L散度值大于阈值的IMF分量去除。实验证明,该方法能准确而又快速地获得实验数据的窗宽,虚假成分与真实分量的K-L值有明显差别,根据设定的阈值能准确识别虚假分量。     

基于模型参考和微粒群算法优化的传感器动态补偿方法

提出了一种基于微粒群（PSO）算法优化的传感器动态误差补偿器的设计方法。无需事先已知系统的动态特性,可根据传感器以及参考模型对输入激励响应的实测数据,通过PSO算法的优化学习得到补偿器的参数。传感器的输出经过补偿器后,能够克服由传感器动态特性引起的测量误差。最后,通过实验验证了该方法的有效性。     

粒子群优化算法及其在圆度误差评定中的应用

提出一种基于粒子群优化算法(PSO)的圆度误差评定方法。介绍了PSO算法的提出及其特点;具体阐述了PSO算法的基本原理和实现步骤;提出圆度误差评定这一非线性优化问题,给出其优化目标函数及PSO算法的适应度函数和编码方式;结合实例对算法参数进行了设置,通过实例运算对PSO进行了正确性和精确性验算。实例证明该方法能够很好地解决圆度误差评定问题,与遗传算法具有相当的计算精度,能够获得精度较高的结果。而PSO的突出优点是简单易于实现,计算速度快。     

Bammann-Chiesa-Johnson粘塑性本构模型的参数识别方法与验证

Bammann-Chiesa-Johnson(BCJ)粘塑性本构模型对材料力学响应的再现和预测能力强烈依赖于其模型参数的确定,而模型参数的确定往往是通过反分析方法来进行。由于BCJ粘塑性模型包含了应变、应变率和温度耦合效应以及加载路径和温度历史,其常数多达18个,所以寻找最佳的模型参数识别值十分繁琐。针对BCJ本构模型参数复杂、识别困难的问题,本文基于参数的物理意义,在准静态、蠕变及动态加载试验基础上,通过模型参数解耦分离、粒子群智能优化的方法分6步对18个材料常数进行识别,并用识别结果对1060纯铝动态加载试验力学响应进行模拟,模拟结果与试验结果符合良好。通过定量化误差分析,证明了BCJ粘塑性模型对实验数据的预测具有较高精度,该模型参数识别方法科学可行。     

一种基于椭球约束的加速度计粒子群优化静态修正方法

研究了微机电系统加速度计基于椭球约束的静态修正法。根据微机电系统加速度计输出数学模型,采用标准粒子群优化算法估计微机电系统加速度计的输出数学模型中的刻度因数、零偏及正交误差。实验结果表明,该方法有效剔除了采样过程中的随机误差,粒子群优化方法的引入,使得微机电系统加速度计输出能够准确地反映其真实值。     

基于形状误差不确定度的大尺寸测量系统优化配置方法

针对大尺寸测量系统部署问题,提出了面向测量任务的以形状误差不确定度为评价指标的优化配置测量系统的方法。对于基于蒙特卡罗仿真方法的测量点仿真和多测量仪器数据融合进行了研究。在建立形状误差评定模型基础上,提出并实现了基于粒子群算法的形状误差评定模型的求解及基于蒙特卡罗法的形状误差不确定度计算方法。通过某卫星舱段端框的仿真试验,验证了以不确定度为指标进行大尺寸测量系统配置方法的有效性,可为大尺寸测量系统现场快速部署提供方案指导。     

An efficient particle swarm approach for mixed-integer programming in reliability-redundancy optimization applications

The reliability-redundancy optimization problems can involve the selection of components with multiple choices and redundancy levels that produce maximum benefits, and are subject to the cost, weight, and volume constraints. Many classical mathematical methods have failed in handling nonconvexities and nonsmoothness in reliability-redundancy optimization problems. As an alternative to the classical optimization approaches, the meta-heuristics have been given much attention by many researchers due to their ability to find an almost global optimal solutions. One of these meta-heuristics is the particle swarm optimization (PSO). PSO is a population-based heuristic optimization technique inspired by social behavior of bird flocking and fish schooling. This paper presents an efficient PSO algorithm based on Gaussian distribution and chaotic sequence (PSO-GC) to solve the reliability-redundancy optimization problems. In this context, two examples in reliability-redundancy design problems are evaluated. Simulation results demonstrate that the proposed PSO-GC is a promising optimization technique. PSO-GC performs well for the two examples of mixed-integer programming in reliability-redundancy applications considered in this paper. The solutions obtained by the PSO-GC are better than the previously best-known solutions available in the recent literature.