基于HYSYS的催化重整流程模拟及其应用

选取催化重整18集总31反应集总动力学模型,以流程模拟软件HYSYS为工具,建立了催化重整过程稳态模型。将模型参数估计问题转化为优化问题,在MATLAB中使用ActiveX技术调用HYSYS模型,利用Marquardt算法对模型进行参数估计,并利用工业数据对模型进行了验证。基于HYSYS稳态模型对催化重整过程进行了灵敏度分析,得出操作参数、进料性质和产品指标之间的关系,仿真结果与理论分析一致,从而能够对催化重整过程的监控和优化提供指导。     

基于估计参数的飞行器编队飞行相对姿态控制

本文建立了空间飞行器编队飞行的相对姿态动力学模型,用姿态四元数表示的动力学模型避免了大角度相对姿态变化时的奇异问题.利用Lyapunov理论控制方法,设计了带神经网络参数估计器的自校正控制器,减轻了编队飞行器的测量和通信负担.证明了控制器对模型误差具有较好的鲁棒性.仿真结果验证了参数估计器可以准确的估计未知参数;基于估计参数的控制器可以实现相对姿态的较精确控制.     

AR模型在人口增长预测中的应用

采用AIC信息准则来确定AR模型的阶.模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法.理论分析和仿真结果均表明,AR模型能够较好地解决人口增长预测这一非线性问题,并取得一定的预测精度.     

高炉透气性指数的核超限学习机预测模型

高炉透气性指数反映了高炉内煤气流运动受到阻碍的大小,是操作人员判断高炉运行状态的重要依据.本文针对超限学习机的缺点,提出了基于核超限学习机的高炉透气性指数预测模型.首先选取了适当的高炉参数作为模型的输入.其次采用小波变换对生产数据降噪处理.然后建立基于核超限学习机的高炉透气性指数预测模型.在建模过程中,探索了不同的核函数对模型性能的影响,并对相关参数寻优.最后进行仿真实验,同其他算法对比.实验结果表明,相比于传统算法,基于核超限学习机的高炉透气性指数预测模型训练速度更快,预测精度更高,预测结果更稳定.     

基于GA-EM算法的GMM遥感影像变化检测方法*

提出了一种基于GA-EM算法的高斯混合模型(GMM)遥感影像变化检测方法。该方法采用主成分分析(PCA)与传统差值法相结合的方式构造差异影像;然后使用N个成分的GMM对差异影像分布进行建模;再利用进化的迭代方法对模型进行自适应参数估计;最后利用贝叶斯准则实现变化和未变化像元分布的变化检测结果。仿真结果表明,该方法对变化目标的检测有效而可靠,具有较大的实用价值。     

基于模型的航空发动机湿度影响修正方法研究

深入分析了进气湿度对发动机性能影响机理,分别研究了进气湿度对气体热力学性质和部件特性相似规律的影响.基于叶轮机进出口截面换算流量湿度修正系数与临界状态换算流量湿度修正系数近似相等的原理,改进了部件特性湿度修正方法.利用所研究的湿度修正方法对原有部件级非线性模型进行改进,获得含有进气湿度修正功能的发动机仿真模型.利用国内外文献中提供的数据对模型进行验证,仿真结论表明模型具备较高的湿度修正精度.     

吊放声纳搜索效能通用仿真模型研究

通过对吊放声纳作战机理的详细分析,以蒙特卡洛法为基础建立了吊放声纳搜索效能的通用仿真模型,并通过仿真实例对模型进行了应用和验证.该模型适用于对各种作战条件下使用各种作战方法时吊放声纳搜索效能的仿真计算.     

基于遗传算法的时间序列预测算法研究

模型参数的估计是时间序列预测研究的重要内容,经典模型参数估计方法对参数估计结果不进行评估和优化,预测精度往往达不到要求。本文提出基于遗传算法进行模型参数估计的方法,该方法具备了群集思想和递推思想的特征,仿真实验表明所提出算法相比传统算法,具有更高的预测精度。     

非线性系统Wiener模型辨识

本文采用不同幅值的三电平伪随机m序列作为输入信号,辨识了离散非线性系统Wiener模型的线性脉冲响应函数和非线性增益系数.同时讨论了参数估计的统计特性及其区间估计,并附有仿真结果.     

非线性系统Wiener模型辨识

本文采用不同幅值的三电平伪随机m序列作为输入信号,辨识了离散非线性系统Wiener模型的线性脉冲响应函数和非线性增益系数.同时讨论了参数估计的统计特性及其区间估计,并附有仿真结果.     

基于强跟踪滤波器及小波变换的非线性系统参数辨识及应用

本文采用强跟踪滤波器为主要框架, 通过线性化和状态扩展解决非线性系统时变参数和状态的估计问题. 在普通强跟踪滤波器的基础上, 以小波变换估计量测噪声, 采用滤波增益调整系数解决过跟踪问题, 给出了主要的计算公式和参数的取值方法, Monte Carlo仿真和在弹道方程参数辨识中的应用结果表明, 本方法不但对突变参数具有强跟踪能力, 在噪声方差发生变化的情况下, 仍可以对非线性参数进行准确的辨识, 状态与参数估计精度高于 普通的强跟踪滤波器.     

汽车横摆的动态模型

建立横摆动态模型是汽车横摆稳定控制的基础．本文根据汽车横摆稳定控制的特点,综合车身横摆动态,车轮动态和轮胎的非线性特性,建立了非线性离散横摆动态模型,其中轮胎摩擦力为时变参数．为了估计本模型中的时变参数,本文进而设计了离散滑模估计器估计轮胎摩擦力．最后,在一个高精度的汽车动力学仿真环境中,证实了本估计方法可有效地估计车轮摩擦力,所建立模型较为准确地反映汽车横摆动态．     

Robust attitude control of near space vehicles with time-varying disturbances

In this paper, the robust attitude control scheme is developed for near space vehicles (NSVs) with time-varying disturbances based on backstepping technique. To efficiently handle the time-varying disturbance and the system uncertainty, the disturbance observer is employed to estimate them. Using backstepping technique and the disturbance observer output, the robust attitude control is firstly developed for the NSV. And then, considering the actuator dynamics, another robust attitude control scheme is proposed for the NSV based on the disturbance observer. The uniformly ultimate bounded-ness of all closed-loop signals are guaranteed via Lyapunov analysis under both developed robust attitude control schemes. Finally, simulation results are presented to illustrate the effectiveness of the proposed attitude control schemes.     

基于递归约简的在线自适应最小二乘支持向量回归机

鉴于传统在线最小二乘支持向量机在解决时变对象的回归问题时, 模型跟踪精度不高, 支持向量不够稀疏, 结合迭代策略和约简技术, 提出一种在线自适应迭代约简最小二乘支持向量机. 该方法考虑新增样本与历史数据共同作用对现有模型产生的约束影响, 寻求对目标函数贡献最大的样本作为新增支持向量, 实现了支持向量稀疏化, 提高了在线预测精度与速度. 仿真对比分析表明该方法可行有效, 较传统方法回归精度高且所需支持向量数目最少.     

一种基于滑模的自适应预测函数控制新算法

提出了一种应用带时变遗忘因子的基于滑模的自适应预测函数控制新算法。该算法采用带时变遗忘因子的递推最小二乘算法在线辨识模型参数,将滑模控制与预测函数控制(PFC)相结合对系统进行控制。与其他模型预测控制不同,预测函数控制可以克服其他模型预测控制可能出现规律不明的控制输入问题,具有良好的跟踪能力和较强的鲁棒性,离散滑模控制中的滑动模态对干扰具有不变性;最后分析了控制系统的闭环渐近稳定性。仿真结果验证了该方法的有效性。     

基于时变输出约束的机器人遥操作有限时间控制方法

受操作时间窗口和工作空间的限制,空间遥操作任务需要在有限时间内完成,同时确保末端执行器满足物理约束。此外,时延和外部扰动使不确定遥操作系统的稳定性和控制性能受到严重影响。为此,本文提出了一种基于时变输出约束的机器人遥操作有限时间控制方法。首先,利用积分障碍李雅普诺夫函数处理操作空间的时变约束问题,实用有限时间李雅普诺夫稳定定理保证了系统的快速稳定性。然后,利用神经网络估计环境力以及消解模型不确定性带来的影响,利用鲁棒项补偿神经网络的估计偏差和消解未知外部扰动的影响。最后,在Matlab/Simulink环境下同其他算法进行仿真对比,并在地面实验平台上验证了该算法,理论仿真和实验结果表明该方法进一步提高了误差收敛速率和收敛精度,且系统的输出不会超出预先设定的时变边界。     

On-line frequency-and time-domain identification of a linear multivariable system

A method for the on-line identification of a linear multivariable plant subject to both deterministic and stochastic disturbances is proposed. The identification scheme rests on the use of a sum of sinusoids of distinct frequencies as probing-signal inputs and on the employment of linear time-varying filters to filter the plant inputs and the plant outputs. The time-varying filters are essentially banks of narrow-band filters tuned to the probing-signal frequencies. The filtered plant inputs and the filtered plant outputs yield an estimate of the plant transfer function matrix at the probing-signal frequencies. The filtered data are further processed using a recursive least-squares algorithm and a time-domain model estimate is obtained in terms of the coefficients of the difference equation relating each input-output pair. The identification algorithm is decoupled in the sense that the estimate of the transfer function or difference equation between the ith input and jth output is unaffected by other inputs or outputs. Simulation results on the performance of the time-varying filter and the identification scheme are given.     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题. 网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network, ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm, GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average, ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine, LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

基于Block-RPLS模型自适应更新的质量预测方法

工业过程包含动态、时变等过程特性.传统的基于PLS方法的质量预测采用的是固定模型,难以实时修正和学习新的过程信息,从而导致建模效率和精度降低,针对该问题提出一种自适应的块式递推偏最小二乘法(Block-RPLS)模型质量预测方法,用于在线调整PLS模型的结构和参数.采用滑动窗方法确定更新的数据块,利用矩阵相似性理论分析窗内数据的结构特性,得到该滑动窗的特征矩阵.同时,引入局部离群因子(LOF)检测滑动窗内离散偏离程度较大的更新数据,通过交叉验证方法修正PLS模型参数自适应学习过程的时变信息.最后,通过数值仿真和青霉素发酵过程的质量预测实验验证所提出方法的有效性.     

基于Watterson模型的短波信道马氏性研究

在短波Watterson模型中,时变抽头增益为复随机过程,存在较难估计的问题.为此,通过研究信道的马氏性对其进行简化.将连续时变的信道增益离散化为有限状态值,建立一阶有限状态马尔可夫(FSM)模型,给出FSM模型的状态空间、平稳状态概率、状态转移概率等参数,研究FSM模型的状态平均错误概率、状态平均停留时间和状态停留时间的分布等特性.仿真结果验证了马尔可夫模型描述短波信道的准确性.