多元系统耦合带遗忘因子有限数据窗递推最小二乘辨识方法

针对多元线性或非线性回归系统, 将耦合辨识思想与带遗忘因子有限数据窗辨识理论相结合, 提出一种耦合带遗忘因子有限数据窗递推最小二乘辨识算法. 该算法每次递推计算时既不涉及矩阵求逆运算, 又可以克服数据饱和现象, 因此, 该算法不仅计算效率高, 而且可以快速地跟踪时变参数, 获得精确的参数估计. 通过辨识基于多元模型的永磁同步电机参数的实例, 验证了所提出算法的有效性和实用性.

     

基于非策略Q-学习的网络控制系统最优跟踪控制

针对具有数据包丢失的网络化控制系统跟踪控制问题,提出一种非策略Q-学习方法,完全利用可测数据,在系统模型参数未知并且网络通信存在数据丢失的情况下,实现系统以近似最优的方式跟踪目标.首先,刻画具有数据包丢失的网络控制系统,提出线性离散网络控制系统跟踪控制问题;然后,设计一个Smith预测器补偿数据包丢失对网络控制系统性能的影响,构建具有数据包丢失补偿的网络控制系统最优跟踪控制问题;最后,融合动态规划和强化学习方法,提出一种非策略Q-学习算法.算法的优点是:不要求系统模型参数已知,利用网络控制系统可测数据,学习基于预测器状态反馈的最优跟踪控制策略;并且该算法能够保证基于Q-函数的迭代Bellman方程解的无偏性.通过仿真验证所提方法的有效性.     

线性时变反馈系统的状态空间模型和模态参数递推辨识

针对闭环系统中时变状态空间模型和模态参数的辨识问题, 提出一种递推辨识格式, 将这种格式与递推子空间方法结合, 得到一种辨识方法. 该方法通过重建输入输出数据之间的关系, 递推辨识得到闭环系统的时变状态空间模型和模态参数. 算例研究了系统在模态参数突变和周期变化两种情况下的辨识问题, 仿真结果表明, 所提出算法能有效辨识线性时变反馈系统的状态空间模型和模态参数.

     

改进的卡尔曼滤波算法系统参数辨识仿真研究

研究系统参数辨识精度提高问题。辨识是从实验数据中提取有关系统信息的过程,由于存在噪声影响辨识精度,针对传统的卡尔曼滤波算法不能很好地提高跟踪精度且算法复杂的缺陷,为了解决实际系统辨识中参数噪声方差和观测噪声方差未知的等相关问题,提出了一种改进的无味卡尔曼滤波算法系统参数辨识方法,仿真结果表明,算法具有更好的泛化能力,在复杂的系统负载等情况下,也可以对系统的参数精确有效的进行辨识,验证了该算法是一种有效适用的系统参数辨识方法。     

一种不完全信息下递推辨识方法及收敛性分析

针对信号在网络环境下传输带来不完全信息使得在线参数辨识算法和收敛性困难的问题, 不同于传统递推最小二乘方法, 本文提出了一种不完全信息下递推辨识方法并分析其收敛性. 首先运用伯努利分布刻画引起不完全信息的数据丢包特性, 然后基于辅助模型方法补偿不完全信息并构造了新的数据信息矩阵, 并运用矩阵正交变换性质对数据信息矩阵进行QR分解, 推导了融合网络参数的递推辨识新算法, 理论证明了在不完全信息下递推参数辨识算法的收敛性. 最后仿真结果验证了所提方法的可行性和有效性.     

MISO 系统基于正交匹配追踪算法的参数与时滞联合估计

在有限采样情况下, 研究具有时滞的多输入单输出受控自回归系统的参数辨识和时滞估计问题. 当采样次数少于未知变量数时, 描述系统的方程组是欠定的, 对其目标函数求解是NP-hard 问题, 传统方法无法有效辨识出系统参数. 受压缩感知理论的启发, 基于参数向量所具有的稀疏特性, 提出一种新的阈值正交匹配追踪算法辨识系统的参数和时滞. 仿真实验表明, 所提出的算法能在少量采样时有效地辨识系统参数、估计未知时滞, 同时验证了算法的有效性.

     

数据丢失下多智能体系统迭代学习跟踪控制

考虑数据丢失下非线性多智能体系统的一致性跟踪问题。假设多智能体系统使用固定网络通信拓扑结构,由于通信网络自身限制导致多智能体系统中存在数据丢失现象。将数据丢失现象描述为取值0/1的随机伯努利序列,设计分布式一致性跟踪误差,提出该系统在数据丢失下的P型迭代学习控制算法。采用压缩映射的方法给出收敛性条件,并在理论上分析了跟踪误差的收敛性。仿真结果表明,提出的算法可以实现该系统在有限时间区间上对期望轨迹的完全跟踪,验证了算法的有效性。     

航空发动机MIMO系统的闭环辨识与故障诊断算法

针对航空发动机结构复杂、易发生故障的特点以及机理分析建模方法存在过程繁琐、运算效率低下等问题,提出了一种基于数据的航空发动机燃油机构MIMO(multiple-input multiple-output)闭环系统的参数辨识和故障诊断算法.算法先通过估计辅助模型系统的阶次间接求得时延参数,再通过多阶段最小二乘算法辨识得到前向通道和反馈通道的参数.以某型双轴涡扇航空发动机为例进行验证.结果表明,在应用中辨识结果与系统真值基本吻合,当遗忘因子取值随辨识结果的收敛程度变化时,算法可以有效地应用于气路故障的诊断当中,及时辨识出故障参数值.最后,对算法的两方面特点进行了说明:一是遗忘因子选取的重要性及选取的原则,二是算法可以有效排除噪声对辨识结果带来的干扰.     

基于多新息最小二乘算法的非线性系统辨识

针对最小二乘算法辨识性能较差问题,将最小二乘算法中的单新息通过利用p组数据拓展到多新息向量,提出了多新息最小二乘算法。与最小二乘相比,所提出的算法不仅利用了当前的系统信息,而且利用了过去的系统信息,进一步提高了参数辨识的精度和收敛速度。在所提出的算法中,为了减少冗余的参数辨识和算法计算量,利用关键性分离技术构造整体辨识模型。设计了辅助模型来替代系统中未知的中间变量,提高了参数估计的精度。对比仿真结果表明,所提出的算法具有比递归最小二乘算法更高的辨识精度和收敛速度。     

故障检测与定位

综合运用空间几何方法和参数辨识方法,在系统分解的基础上,提出了一种故障检测与定 位的新方法.此方法简化了系统故障诊断所需的计算工作,可以满足一般情况下系统对故障诊 断的实时性要求.     

一种数据丢包情况下的交叉口排队长度均衡控制方法

针对交通数据在传输过程中随机丢包造成交通拥堵的问题,提出一种新的交叉口排队长度均衡控制方法。考虑到交叉口交通控制的重复特性和强非线性,将无模型自适应迭代学习控制方案应用于交叉口排队长度控制中,通过实时调整各交叉口的信号配时方案来调节路口车辆的排队长度,实现各交叉口排队长度的均衡。针对道路交通网络控制中排队长度差值数据在传输过程中存在的丢包现象,将数据丢失现象描述为概率已知的伯努利序列,提出数据丢失情况下的补偿算法,即利用上次迭代的输出数据、伪梯度的估计值和控制输入差值对丢失数据进行补偿,解决存在数据丢包情况下多交叉口排队长度均衡控制问题。仿真结果表明,该方法在数据丢包的情况下迭代100次左右能够收敛于期望值并达到期望控制效果,验证了补偿算法的有效性。     

Early dropout prediction using data mining: a case study with high school students

Early prediction of school dropout is a serious problem in education, but it is not an easy issue to resolve. On the one hand, there are many factors that can influence student retention. On the other hand, the traditional classification approach used to solve this problem normally has to be implemented at the end of the course to gather maximum information in order to achieve the highest accuracy. In this paper, we propose a methodology and a specific classification algorithm to discover comprehensible prediction models of student dropout as soon as possible. We used data gathered from 419 high schools students in Mexico. We carried out several experiments to predict dropout at different steps of the course, to select the best indicators of dropout and to compare our proposed algorithm versus some classical and imbalanced well‐known classification algorithms. Results show that our algorithm was capable of predicting student dropout within the first 4–6 weeks of the course and trustworthy enough to be used in an early warning system.     

面向长短期混合数据的MOOC辍学预测策略研究

针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。     

具有控制时滞和测量数据丢失的直线电机迭代学习控制

针对测量信号存在丢失和控制信号存在时滞的直线电机控制系统,研究PD型迭代学习控制算法的收敛性问题.假设数据丢失描述为概率未知的随机Bernoulli过程,其中丢失概率属于某个已知数值区间,利用超前法解决控制信号存在的时滞问题.基于Bellman-gronwall不等式和$\lambda$范数理论,证明了所提出的迭代学习控制策略能够使系统在有限时间内跟踪期望轨迹.最后通过仿真验证了所提出学习算法的有效性.     

具有时延和数据丢失的直线电机迭代学习控制

针对网络环境下同时存在一步时延和数据丢失的直线电机系统,本文研究了其P型迭代学习控制方法.将一步时延描述为概率已知的随机Bernoulli过程,而将数据丢失描述为概率未知的随机Bernoulli过程,且丢失概率属于一个已知的数值区间.然后,利用λ范数理论给出了P型迭代学习控制算法的收敛条件,通过适当选取学习增益因子,可使得直线电机控制系统的输出渐近收敛于期望输出.最后通过仿真验证了本文所提控制方法的有效性。     

Stability evaluation and system identification of flexible multibody systems

This paper is concerned with the linearized stability analysis and system identification of flexible multibody systems. Two closely related stability analysis approaches are summarized. Next, these approaches are extended to provide robust system identification procedures that combine least squares techniques and Kalman filters. The singular value decomposition, a numerically stable mathematical tool, is used to improve the robustness of the algorithm. The proposed algorithm identifies a minimum order plant based on input-output data, and is applicable to both experimental measurements or numerically computed responses. The proposed approaches are computationally inexpensive and consist of purely post processing steps that can be used with any multi-physics computational multibody tool or with experimental data. Commemorative Contribution.     

A hysteresis functional link artificial neural network for identification and model predictive control of SMA actuator

In this paper, a modified Hysteresis Functional Link Artificial Neural Network (HFLANN) is proposed to identify and control a Shape Memory Alloy (SMA) actuator, which has an inherent hysteresis phenomenon. In this structure, a hysteresis operator combined with the Functional Link Artificial Neural Network (FLANN) to employ the hysteresis phenomenon and the dynamic of the SMA actuator. The hysteresis operator is introduced to capture the SMA hysteresis. And the FLANN is employed to approximate the dynamic of the system. In identification problem, the FLANN parameters are trained by Particle Swarm Optimization technique. For control problem, a Model Predictive Controller based HFLANN is derived to control the system. The identification results show that the HFLANN can employ for the SMA dynamic. The simulation and experimental results demonstrated the effectiveness of the proposed algorithm. The SMA hysteresis phenomenon is compensated completely by proposed controller.     

Stochastic reliable control of a class of networked control systems with actuator faults and input saturation

The stochastic reliable control problem for networked control systems (NCSs) subject to actuator failure and input saturation is investigated in this paper. In order to get the relationship between the maximum allowable consecutive packet dropouts, the packet dropout probability, the actuator failure matrix and the input saturation, a packet dropout probability dependent condition is given via linear matrix inequality (LMI) technology. Then, a suitable reliable controller is designed to ensure the closed-loop system to be exponentially mean square stable against actuator failures and input saturation. Finally, numerical examples are provided to show the effectiveness of the proposed method.     

A stabilizing model predictive control for networked control system with data packet dropout

A constrained model predictive control （MPC） algorithm for networked control system with data packet dropout is proposed in this paper. A buffer is designed to store the predicted control sequence between controller and actuator. It is shown that if the control horizon of MPC is not less than the number of data packets lost continuously, feasibility of MPC at initial time implies asymptotical stability of the closed-loop system. A simulation example illustrates the effectiveness of the proposed approach.