非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

稳态估计与动态辨识相结合的辨识非线性系统的新方法

本文针对Ｈａｍｍｅｒｓｔｅｉｎ系统，提出了一种辨识非线性增益和脉冲响应的新方法，该方法同时利用稳态和动态两种信息，所得到的估计是强一致性的，并且还研究了非线性增益估计误差的渐近分布和收敛速度，仿真结果说明了该方法的有效性和实用性。     

含有齿隙非线性的动态系统的辨识

本文提出了带有齿隙非线性输入的离散时间线性动态系统的参数估计算法,对含有齿隙非线性的动态系统中齿隙非线性特性参数的辨识问题给出了一种简单的解决方法,并通过仿真验证了该方法的有效性和实用性.     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

基于动态神经网的非线性鲁棒辨识

研究了一类基于动态神经网络的未知非线性多变量系统的鲁棒辨识问题，用Ｌｙａｐｕｎｏｖ稳定性理论获得了具有保护策略的鲁棒调权律，从理论上证明了被辨识的系统是鲁榛 ，辨识误差按建模误差和未建模动态收敛到一个稳定区域，该策略的特点是不需要离线学习又不需要对象的状态完全可测，仿真结果验证了提出的动态网鲁棒辨识策略的有效性。     

一类非线性动态系统的非参数GFRF模型辨识

本文对一类用多项式描述的非线性动态系统提出使用ＧＦＲＦ模型类的非参数辨识算法，这种算法的显著特点是需要很小的计算量和存储空间，而且辨识精度较高，仿真结果表明这种非参数模型辨识算法是有效的，而且由辨识方法获得的模型一般具有很好的泛化能力，因而是一种具有重要应用前景的实用方法 。     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

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．     

非线性系统辨识

本文综述了非线性系统辨识问题，包括描述非线性系统的模型结构的辨识，模型参数的估计，并对可能的发展方向提出了作者的观点，最后介绍非线性系统辨识的若干应用。     

基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

辨识Hammerstein模型的两步法

本文利用稳态和动态信息提出了一种辨识Ｈａｍｍｅｒｓｔｅｉｎ模型的新方法－两步法，该方法利用稳态信息获取非线性增益的强一致性估计，利用动态信息获取线性子系统未知参数的强一致估计，该方法具有计算简单和辨识精度高等优点，最后的仿真结果说明了该方法的有效性和实用性。     

Nonlinear Dynamic System Identification of ARX Model for Speech Signal Identification

System Identification becomes very crucial in the field of nonlinear and dynamic systems or practical systems. As most practical systems don’t have prior information about the system behaviour thus, mathematical modelling is required. The authors have proposed a stacked Bidirectional Long-Short Term Memory (Bi-LSTM) model to handle the problem of nonlinear dynamic system identification in this paper. The proposed model has the ability of faster learning and accurate modelling as it can be trained in both forward and backward directions. The main advantage of Bi-LSTM over other algorithms is that it processes inputs in two ways: one from the past to the future, and the other from the future to the past. In this proposed model a backward-running Long-Short Term Memory (LSTM) can store information from the future along with application of two hidden states together allows for storing information from the past and future at any moment in time. The proposed model is tested with a recorded speech signal to prove its superiority with the performance being evaluated through Mean Square Error (MSE) and Root Means Square Error (RMSE). The RMSE and MSE performances obtained by the proposed model are found to be 0.0218 and 0.0162 respectively for 500 Epochs. The comparison of results and further analysis illustrates that the proposed model achieves better performance over other models and can obtain higher prediction accuracy along with faster convergence speed.     

应用遗传算法辨识Hammerstein模型

基于遗传算法,提出了一种辨识Hammerstein模型的方法,该方法能够克服有色观测噪声的污染,获得非线性静态环节参数和线性动态环节参数的无偏估计,并与Hammerstein模型的MSLS辨识方法进行了比较,仿真结果说明了该方法的有效性。     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

Identification and control of Hammerstein systems via wireless networks

This article investigates a systematic approach for the identification and control of Hammerstein systems over a physical IEEE 802.11b wireless channel. Three major factors which may affect system stability and stabilisation are concerned: wireless network-induced delays, nonlinearity and model mismatch. First the network-induced delays are characterised by an inverse Gaussian distribution model according to IEEE 802.11b protocol and a model-based compensation method is used to estimate the delayed samples. Then an inverse function of nonlinear part of the identified model is used to attenuate the influence of nonlinearity, while the model mismatch is regarded as disturbance which is then dealt with by H _∞ control approach. A sufficient condition for mean-square asymptotic stability is obtained and expressed by a set of linear matrix inequalities, enabling direct controller design. Finally, numerical simulation examples are used to confirm the efficacy of the proposed approach.     

应用退火演化算法辨识哈默斯坦模型

本文介绍了一种基于进化策略的新型模拟退火算法--退火演化算法,该算法将进化策略引入模拟退火算法中,通过变异和选择等步骤不断改善解的群体,而不是像传统的模拟退火算法那样仅仅采取单点迭代的方法。退火演化算法加强了对解的构成空间的整体把握,提高了搜索效率和精度,尤其对多峰函数具有良好的最优解搜索能力,并且具有较强的鲁棒性和灵活性。本文将其应用于哈默斯坦模型的参数辨识,仿真结果说明了该方法的有效性。     

有色噪声中非线性动态系统的BP网络辨识

前馈多层神经网络为复杂的非线性系统提供了一种极具吸引力的模型结构。本文不利用仅含一个隐层的前馈多层神经网络来拟合离散时间非线性动态系统的问题进行了探讨。由于有色噪声的存在会导致网络模型偏差产生，文中引入了一种对噪声建模的方案。借助于非线性模型检验技术，本文给出了在有色噪声存在的情况下，利用ＢＰ网络辨识离散时间非线性动态系统的一般方法，仿真结果亦表明该方法行之有效。     

基于遗传规划的哈默斯坦模型的辨识

该文基于遗传规划提出了一种辨识哈默斯坦模型的新方法。哈默斯坦模型由静态非线性模块和动态线性模块串联而成,因此系统辨识的目标是要找到非线性和线性模块的最优数学模型。该文通过遗传规划确定非线性模块的函数结构,并结合遗传算法确定模型的未知参数,适应度值的计算采用了最小信息量准则(A IC),以平衡模型的复杂度和精确度。该方法不需要对模型的先验知识有详细了解,就能达到较好的辨识效果,并且能够克服观测噪声的污染,获得参数的无偏估计。仿真结果说明了该方法的有效性。