一种改进的驾驶员模型参数辨识算法

在现有的最优预瞄曲率驾驶员模型的基础上,用惯性环节近似替代其中的延时环节,得到一个新的驾驶员模型。基于该驾驶员模型,得到辨识所需要的系统输入和输出的仿真数据。进而应用递归最小二乘算法和非线性最优化方法,对该驾驶员模型中的参数进行辨识,在辨识过程中引入权重向量提高了相应的辨识精度。结果表明,该方法可以有效地辨识相应的驾驶员模型参数,对模型参数的离线辨识具有参考意义。     

测量信息对飞行器工作模态辨识精度影响分析

针对模态辨识结果对输入的敏感性,研究了测量信息对飞行器工作模态辨识精度的影响。介绍了自回归 滑动平均(auto-regressive and moving average,简称ARMA)模型环境激励模态辨识方法的理论、试验测点和激励情况,并给出了试验研究方案情况。通过选择不同测点布置组合,研究了测点布置对辨识结果的影响。对各测点数据人为增加噪声,研究了数据品质对辨识结果的影响。研究发现,测点数目较多,且测点布置在振型数值较大位置,辨识结果较好。     

部分输入非持续激励下车辆模型系统辨识

车速和转向盘转角是用于操纵稳定性研究的车辆模型的两个输入,但是在单次试验中两个输入难以同时作为持续激励输入,由此导致了部分输入非持续激励条件下所得到的辨识模型不完整。为了解决这一问题,通过对一组蛇行试验进行不同模型结构的系统辨识,分析以车速为非持续激励输入下车辆系统模型的结构特征,提出基于Wiener模型的非线性辨识模型结构。这一模型结构包括以转向盘转角为单输入的线性辨识模型以及以车速作为变量的非线性函数。基于子空间方法获得最低试验车速下的线性辨识模型,对不同车速下的蛇行试验数据进行相关分析,获得线性系统输出残差与车速之间的关系,使用最小二乘的方法拟合出非线性函数,从而最终形成统一的非线性辨识模型。经过实车试验验证,非线性辨识模型可以适用于不同车速下的操纵稳定性研究,其精度满足使用要求。而由于辨识建模所使用的试验均为国家标准试验,使得这一方法具有了良好的工程应用价值。     

人工胰脏中数据驱动个体血糖代谢模型的辨识

数据驱动时间序列模型是人工胰脏系统中最常用的一类血糖预测模型,但其血糖预测精度受到进食不确定性和胰岛素敏感性波动等实际因素的影响。本文从真实血糖测量数据入手,提出基于卡尔曼滤波参数估计的带输入误差滑动平均模型的辨识方法,将辨识结果与最小二乘法辨识结果进行对比。结果表明,本文提出的辨识方法具有辨识精度高(FIT:90.05±3.12%v.s.54.41±9.56%)、能有效抵消实际因素的影响、对不同特征的个体能获得稳定的辨识结果等优势。     

基于Nelder-Mead单纯形法的汽轮机调速系统参数辨识

为了建立汽轮机调速系统准确模型,需要对模型进行参数测试及辨识。根据建模导则推荐的汽轮机调速系统模型结构以及现场试验数据,采用具有算法简单、容易实现、对目标函数连续或可导无要求等特点的Nelder-Mead单纯形法对汽轮机调速系统参数进行辨识,并对辨识结果进行了仿真校核。结果表明:所使用的Nelder-Mead单纯形法辨识出的汽轮机调速系统参数模型满足精度要求,验证了此方法的实用有效性。     

两阶段闭环辨识算法在加热炉控制中的应用

在闭环条件下,系统控制输入信号通过反馈环节与不可测噪声相关,故用开环辨识算法处理闭环数据时所得参数估计常常是有偏的。为克服参数估计的有偏性,采用了基于开环转换的两阶段闭环辨识算法,并分析了中间辨识模型与最终辨识结果的关系。在此基础上,得到了中间辨识模型的选择依据,即在相同运算量下,选用ARX模型比选用FIR模型所得辨识结果更好。并应用于一台加热炉,应用结果验证了该辨识算法的有效性及模型选择的合理性。     

多输入多输出Hammerstein Wiener交流电弧炉电极系统模型

在交流电弧炉中对于电极系统的描述,目前大都采用针对单相电极的单输入单输出的Hammerstein-Wiener(H-W)模型,这种模型过于简化真实电极系统结构,导致模型的预测精度较低。针对该问题,提出一种基于多输入多输出H-W模型的电极系统建模方法,该模型的结构与实际电极系统结构一致,有利于模型预测精度的提高,另外在多输入多输出的静态非线性块不可逆的条件下,提出可分非线性最小二乘算法对H-W模型参数进行辨识。最后采用实际数据验证,在预测精度上,多输入多输出H-W电极系统模型优于传统的单输入单输出H-W电极系统模型。     

人工神经网络的各参数对系统辨识精度的影响分析及各参数的确定方法

以MATLAB的神经网络工具箱为平台,依据实例系统的试验数据,分析神经网络的隐层数、神经元数、初始权值、初始阈值和样本的选择方法及输入个数对系统辨识精度的影响。在充分考虑各参数之间的交互作用对系统辨识精度影响的前提下,提出了循环嵌套编程的训练方法,获得了使收敛精度及泛化效果达到最优时各项参数的取值。利用神经网络在单输入系统辨识方面的优点,提出将多输入系统转化为单输入系统进行系统辨识的方法,并进行了对比分析。基于理论分析的结果,对实例系统进行了辨识,取得了满意的效果。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

装甲车辆齿轮主传动系统的建模与辨识

为了实现装甲车辆齿轮主传动系统的在线检测与诊断,在介绍对装甲车辆齿轮主传动系统进行故障诊断与预测必要性的基础上,运用镜像映射变换(FHR)算法实现了系统的建模与辨识。具体的建模过程包括对实测数据的检验与预处理、模型形式的选择、模型参数的估计和模型适用性检验等内容。通过对装甲车辆齿轮主传动系统的振动信号测试与分析,分别建立了单输入单输出及多输入多输出系统的受控AR模型,辨识了系统参数。通过实测结果与辨识结果的对比分析,表明该方法是正确、有效的。     

时间序列模型中的随机共振现象

在滑动自回归(auto regressive and moving average,简称ARMA)时间序列模型的基础上,利用模态稳定性图来确定系统真实模态,描述了在求解过程中产生的随机共振现象。借助悬臂梁的有限元模型,利用精细时程积分方法计算得到了其加速度脉冲响应函数,建立了用于振动模态识别的ARMA模型。在利用模态稳定性图来确定系统真实模态的过程中发现,加入合适的噪声信号可以有效地改善识别结果,剔除虚假模态,即产生了随机共振现象。对悬臂梁进行时变化处理后,随机共振现象较之前不变系统更加显著,对最终识别结果产生了明显的优化作用。     

多维时序可控模型的建模

研究多维可控自回归滑动平均模型的建模问题，提出了ＣＡＲＭＡＶ模型参数的线性估计法，过渡矩阵的引用使建模速度和运算工作量得到较大改善，同时还讨论了模型参数的剔除处理及模型参数的适用性检验准则。     

基于时间序列的GPS定位误差分析

在现代海战场的环境监测中,针对全球定位系统(GPS)的缺陷,采用时间序列分析的方法建立定位误差模型。首先将获得的数据进行平稳化处理,通过依据样本数据的自相关函数和偏相关函数的统计特性确定采用自回归滑动平均(ARMA)模型,然后根据参数的最小二乘估计和AIC准则建立ARMA(4,2)模型。通过对模型的残差分析,得出残差符合白噪声要求,与实际模型拟合程度较高,最后采用预报器对模型进一步预测,根据预报结果修正误差,明显提高了定位的精度。仿真结果表明了时间序列方法可以有效提高GPS的定位精度的有效性。     

ARMA Modelling for Whispered Speech

The Autoregressive Moving Average (ARMA) model for whispered speech is proposed. Compared with normal speech, whispered speech has no fundamental frequency because of the glottis being semi-opened and turbulent flow being created, and formant shifting exists in the lower frequency region due to the narrowing of the tract in the false vocal fold regions and weak acoustic coupling with the subglottal system. Analysis shows that the effect of the subglottal system is to introduce additional pole-zero pairs into the vocal tract transfer function. Theoretically, the method based on an ARMA process is superior to that based on an AR process in the spectral analysis of the whispered speech. Two methods, the least squared modified Yule-Walker likelihood estimate (LSMY) algorithm and the Frequency-Domain Steiglitz-Mcbride (FDSM) algorithm, are applied to the ARMA model for the whispered speech. The performance evaluation shows that the ARMA model is much more appropriate for representing the whispered speech than the AR model, and the FDSM algorithm provides a more accurate estimation of the whispered speech spectral envelope than the LSMY algorithm with higher computational complexity.     

基于混合优化策略的自回归-滑动平均模型建模

自回归一滑动平均(ARMA)模型参数估计一直是ARMA模型建模问题的难点和重点,目前的模型参数估计方法都采用传统最小二乘法及其推广算法,预测精度低.采用基于混合优化策略的遗传模拟退火算法进行ARMA模型参数估计,克服了传统算法的缺点,并在此基础上利用遗传模拟退火算法可以确定ARMA阶次的特点,提出基于混合优化策略的ARMA模型建模方法.利用这种建模方法和传统建模方法对组合炮控系统精度进行建模比较,证明基于混合优化策略的ARMA模型建模方法收敛快,精度高.     

Estimation and forecasting of machine health condition using ARMA/GARCH model

This paper proposes the hybrid model of autoregressive moving average (ARMA) and generalized autoregressive conditional heteroscedasticity (GARCH) to estimate and forecast the machine state based on vibration signal. The main idea in this study is to employ the linear ARMA model and the nonlinear GARCH model to explain the wear and fault condition of machine, respectively. The successful outcomes of the ARMA/GARCH prediction model can give obvious explanation for future states of machine, which enhance the worth of machine condition monitoring as well as condition-based maintenance in practical applications. The advance of the proposed model is verified in empirical results as applying for a real system of a methane compressor in a petrochemical plant.     

二维ARMA模型及其在钢板形貌功率谱估计中的应用

二维ＡＲＭＡ模型的参数估计中,由于其对应的二维修正Ｙｕｌｅ－Ｗａｌｋｅｒ方程不具备唯一性和可辩识性,使得二维ＡＲＭＡ模型的定阶计算参数估计一直是一个非常困难的问题。本文正是针对该点,提出了一种二维ＡＲＭＡ模型的初步定阶方法,同时对ＡＲ参数的自相关函数估计方法进行了改进,在此基础上得到了功率谱估计算法。该算法在文中的应用实例中表现出了非常高的分辨率,另外在钢板表面形貌的功率谱估计中也得到了非常好的效果。     

基于遗传算法的ARMA模型定阶新技术

针对时间序列分析与预测中最为常见的ARMA模型的定阶问题,在分析传统定阶方法缺点的基础上,提出了用遗传算法确定ARMA(n,m)模型的自回归阶数n和滑动平均阶数m的新方法。首先由ARMA模型的预测值与实测值定义平均相对变动值(Average relative variance,ARV),并根据其建立遗传算法的适应度函数;然后选取适当的种群数、交叉效、变异率及进化代数;通过逐代进化,得到最优的ARMA模型。最后,通过太阳黑子数据验证了基于遗传算法的ARMA模型定阶新技术的有效性和实用性。     

基于AMESim和Simulink联合仿真的阀控马达神经元PID调速系统控制

为了研究阀控马达调速系统的控制性能,首先介绍了AMESim和Simulink联合仿真的技术,通过AMESim软件建立系统精确的模型,以PID作为控制器,应用神经网络控制理论解决传统PID参数调节困难的问题,并采用神经元PID控制器的改进算法,在Simulink中搭建基于S函数的控制系统仿真模型,最终对阀控马达调速系统进行控制。仿真结果表明:输入阶跃信号时系统的响应速度加快,超调减少,调节时间缩短;施加负载时,转速震荡减小,系统抗干扰能力提高;输入正弦信号时,幅值超调减小,相角滞后减小,跟随性能提高。     

广义时变ARMA模型参数函数的确定方法

提出一种确定广义时变ARMA模型参数函数的方法?该方法首先求得时间序列的均值函数和方差函数,并将广义时变ARMA模型转化为时变ARMA模型,然后通过样本周期图和多点平均方法得到时变参数的函数形式,再分别采用最小二乘法和极大似然法确定其中的待定参数。从而将一个复杂的时变问题转变为相对简单的时不变问题进行处理。