基于正交最小二乘估计的非线性系统模糊辨识

提出了一种基于正交最小二乘的模糊模型结构和参数辨识方法．首先，基于正交最小二乘方法分析模糊模型的模糊关系矩阵．通过分析正交向量在模型中贡献的大小，确定模糊模型的结构，即确定模糊模型的规则数、规则．另外，再次通过正交最小二乘方法确定模糊模型的结论参数，实现模糊模型结构和参数的优化．为了证明该方法的有效性，采用该文方法对Box-Jenkins煤气炉数据系统进行建模研究，仿真结果表明该文方法能够对非线性系统进行辨识．     

钢制车轮轮辐旋压成形数值模拟和工艺参数优化

为指导车轮轮辐旋压成形工艺参数的选择,利用Simufact Forming对某款轻型客车的轮辐旋压过程进行有限元仿真,改进旋轮轨迹的确定方法,对比厚度仿真结果和实际加工结果,验证该仿真方法的有效性。在数值模拟的基础上,设计四因素三水平正交试验表,对工艺参数进行正交试验优化设计,得到一组针对该钢制车轮轮辐旋压成形的最优工艺参数。利用优化后的工艺参数进行轮辐旋压成形仿真,结果表明轮辐最大厚度偏差和最大等效应力都有所减少。     

基于正交试验的空间绳网展开参数灵敏度分析

空间绳网的展开效果是空间绳网捕获任务成功的关键所在,而空间绳网展开效果的性能指标和设计参数都数目较多,且单次仿真试验耗时较长,为了避免进行耗时极长的全析因仿真试验,考虑采用正交试验设计方法以减少试验次数.本文针对影响空间绳网展开效果的设计参数开展了灵敏度分析,首先提出了空间绳网展开的性能指标和设计参数,然后基于正交试验设计安排仿真试验,获得了正交试验结果,最后综合运用极差法和方差法,对正交试验结果的各项性能指标依次进行了参数灵敏度分析.通过本文研究,精简了设计参数和待优化的性能指标的个数,为下一步的空间绳网展开参数优化设计打好了基础.     

AMESim仿真技术在飞机液压系统中的应用

对法国Imagine公司推出的专门用于工程系统建模、仿真和动态性能分析的高级液压／机械系统建模、仿真平台AMESim的主要特点和功能进行分析．以飞机前起落架液压收放系统为例应用AMESim建模仿真技术，使用图形化建模方法建立系统元件的仿真模型，对飞机前起落架收放系统进行仿真结果分析，并提出采用AMESim的批处理方式优化系统参数的方法．     

基于虚拟样机的定动瓣成穴机构仿真分析

利用虚拟样机技术在UG和ADAMS软件中建立了一种舵轮式定动瓣穴播器的虚拟样机,在ADAMS的用户界面模块、求解器模块和后处理模块中对穴播器的三维模型和力学模型进行了仿真分析,内容包括运动轨迹、成穴形状、穴孔大小影响因素分析、顺利投种条件等,得到了穴孔大小和穴播器可靠转速仿真数据。对仿真数据进行方差分析和正交试验分析,得到了穴播器结构和参数的优化设计方案,为物理样机的设计和制造提供理论依据。     

以动态运行效率为目标的系统仿真参数辨识与优化

本文以数字仿真为基础，采用系统动态性能为目标函数，对实际对象的固有参数进行了辨识与优化研究，使数字仿真与参数辨识、优化设计等技术领域有机地结合起来，从而拓宽了数字仿真在工程设计中的应用。本文的研究方法得到永磁同步电动机以动态运行效率为目标的结构参数最优设计的例证。     

基于MOGA和SVM的发酵过程建模

针对微生物发酵过程，使用多目标遗传算法（multi-objective genetic algorithm, MOGA）确定最优参数．MOGA和SVM回归相结合形成一种新的建模方法，该方法利用现场生产数据建立了青霉素效价预估模型．仿真结果表明此方法具有很强的拟合和泛化能力．MOGA方法的有效性也得到了验证，它也能够自动选择最优参数．     

油压减振器计算机辅助优化设计系统的研制

为了优化可调式线性油压减振器的性能，在白行研制的广义优化设计支持平台上对其线性阻尼系统进行广义优化建模与设计，并基于MATLAB开发了动态仿真软件包，对该广义优化设计结果进行分析与评价．样机开发与试验研究结果表明：文中建立的广义优化设计数学模型和动态仿真模型是准确的，研制的计算机辅助优化设计系统高效、实用．     

基于模糊模型的结构和参数的一体化辨识

基于模糊集合的模糊建模捕述复杂、病态、非线性系统的特性是一种有效方法．文中讨论了从样本数据中通过正交变换和模糊聚类获取模糊规则的方法．利用正交最小二乘对模糊聚类的结果进行变换,采用CGS（Classical Gram—Schmidt）方法确定对建模贡献大的规则,删除对建模贡献小的规则,并对模型中的参数进行估计,能够同时模对糊模型的结构和参数进行辨识．仿真结果表明,提出的方法能够对非线性系统进行模糊建模．     

一种数据驱动的Ⅱ型T-S模糊建模方法

现场采集的数据不可避免地包含一些诸如噪声干扰之类的不确定性,由数据驱动建立的模型需要具备较强的处理不确定因素影响的能力．在以往文献的Ⅰ型T—S模糊建模方法的基础上,提出了一种基于数据驱动的Ⅱ型T—S模糊建模方法．其过程是通过分析采集的数据样本计算得到不确定因素的影响程度,在Ⅰ型T—S模糊模型的基础上,前件参数上采用Ⅱ型的模糊集来代替Ⅰ型的模糊集,后件参数上则采用Ⅰ型模糊集来代替数值,由此拓展得到Ⅱ型T—S模糊模型．最后通过pH中和反应过程对所提出的方法进行仿真验证．仿真结果表明,该方法建立的模型能更好地处理不确定因素的影响,取得更高的准确度．     

A neural network-based approach for dynamic quality prediction in a plastic injection molding process

This paper presents an innovative neural network-based quality prediction system for a plastic injection molding process. A self-organizing map plus a back-propagation neural network (SOM-BPNN) model is proposed for creating a dynamic quality predictor. Three SOM-based dynamic extraction parameters with six manufacturing process parameters and one level of product quality were dedicated to training and testing the proposed system. In addition, Taguchi’s parameter design method was also applied to enhance the neural network performance. For comparison, an additional back-propagation neural network (BPNN) model was constructed for which six process parameters were used for training and testing. The training and testing data for the two models respectively consisted of 120 and 40 samples. Experimental results showed that such a SOM-BPNN-based model can accurately predict the product quality (weight) and can likely be used for various practical applications.     

科技企业人才孵化效率的S-FNN评价研究及应用

为科学测评科技企业孵化器的人才孵化效率,提出科技企业人才孵化效率S-FNN评价模型。在研究科技企业人才孵化基本过程的基础上,构建了科技企业人才孵化效率评价指标体系;运用模糊减聚类法对网络规则进行处理,减少神经网络规则数目,以免参数膨胀导致网络难以训练,采用粒子群与遗传算法确定模糊网络参数值;运用模糊神经网络对科技企业人才孵化效率进行综合评价;通过应用案例验证了该评价模型的有效性和可行性。     

Genetic Tuning of PID Controllers Using a Neural Network Model: A Seesaw Example

When genetic algorithms (GAs) are applied for PID parameter tuning, since the PID parameters are adjusted almost randomly, it is possible that the plant will be damaged due to abrupt changes in PID parameters. To solve this problem, a neural network will be used to model the plant and the genetic tuning procedure will be performed on the neural network instead of the plant. After determining the PID parameters in this off-line manner, these gains are then applied to the plant for on-line control. Moreover, considering that the neural network model may not be accurate enough, a method is also proposed for on-line fine-tuning of PID parameters. To show the validity of the proposed method, a seesaw system that has one input and two outputs will be used for experimental evaluation     

轮式机器人模糊遗传PID转向控制实验研究

为了对模型复杂的轮式地面机器人进行转向控制，应用了模糊遗传PID控制方法。先用模糊神经网络建立车体模型，再用遗传PID进行参数寻优，最后用优化参数控制机器人转向。该方法能直观地判断PID参数是否有效。经过对车体转向控制的实验研究，控制效果良好。     

&thetas;-adaptive neural networks: a new approach to parameterestimation

A novel use of neural networks for parameter estimation in nonlinear systems is proposed. The approximating ability of the neural network is used to identify the relation between system variables and parameters of a dynamic system. Two different algorithms, a block estimation method and a recursive estimation method, are proposed. The block estimation method consists of the training of a neural network to approximate the mapping between the system response and the system parameters which in turn is used to identify the parameters of the nonlinear system. In the second method, the neural network is used to determine a recursive algorithm to update the parameter estimate. Both methods are useful for parameter estimation in systems where either the structure of the nonlinearities present are unknown or when the parameters occur nonlinearly. Analytical conditions under which successful estimation can be carried but and several illustrative examples verifying the behavior of the algorithms through simulations are presented.     

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题, 本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模. 通过动态线性化和归一化/反归一化数据处理, 基于前向传播算法, 将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式. 与基于模型的预测与反演控制相结合, 提出了神经网络类机理建模下的持续自学习控制方法, 探索了神经网络在动力学系统建模与控制中的可解释性问题. 以机械臂为控制对象的仿真结果表明, 神经网络类机理模型与机理模型在形式上同构, 在参数上近似或等价, 可用于控制系统控制品质的定性、定量分析. 持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.     

基于自组织竞争优化结构的混沌系统建模

针对混沌系统建模引入模糊神经网络模型时隶属函数不具有自适应性,系统模糊规则数的确定有一定的人为主观性的问题,本文对模型参数进行遗传退火算法优化,然后利用自组织竞争网络优化模型结构,使模型具有最佳结构即最简单的模糊规则数;再对有最佳结构的模型进行参数优化,得到具有最佳结构和参数的建模模型。以一维的Logistic系统、二维的Henon系统和Mackey-Glass混沌时间序列为例进行仿真分析,结果表明模型能够拟合原混沌系统,精度良好而且结构最简。     

基于UKF的增长型模糊神经网络设计

为了实现模糊神经网络结构和参数的同时调整,提出一种基于无迹卡尔曼滤波(UKF)的增长型模糊神经网络(UKF-GFNN).首先,利用UKF对模糊神经网络的参数进行调整;然后,设计一种基于隐含层神经元输出强度的模糊规则增长机制,实现模糊神经网络的结构增长;最后,将所提出的增长型模糊神经网络应用于非线性系统建模.实验结果显示,基于UKF的增长型模糊神经网络能够实现结构和参数的自校正,并且具有较高的建模精度.     

文化基因算法优化PID神经网络系统辨识

PID神经网络(PIDNN)是一种融合比例、微分、积分环节,结构简单固定,且具备动态网络特点的神经网络模型,适合于非线性系统辨识。但是网络对初始权值和样本质量敏感,参数难以选定,导致网络收敛速度慢,容易陷入局部极小。提出一种采用文化基因算法(Memetic Algorithm)优化网络权值的方法。在差分进化(DE)算法全局寻优结果基础上,通过混沌局部搜索算法,进一步优化网络权值;根据PIDNN特性,在优化过程中加入先验知识,采用L1正则项,对目标函数正则化,避免算法搜索到无潜力解,保证网络模型泛化能力。对一杂非线性系统进行辨识仿真,仿真结果表明优化后的神经网络辨识精度高,有良好的泛化能力。     

基于Rough集和支持向量机的作战飞机效能评估

简述了效能评估的各种方法，建立参数效能模型时，首先要挑选特征参数，采用知识约简方法选择武器的特征参数。利用支持向量机建立了参数效能模型，通过实例与指数法和神经网络法的结果进行了比较，结果表明支持向量机比较精确和简单。