基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的“数据饱和”现象。为了克服“数据饱和”问题,本文首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服“数据饱和”。     

基于改进最小二乘步骤的NARMA模型辨识非线性时变结构系统

基于时变非线性自回归滑动平均模型利用改进的递推最小二乘算法提出一种用于非线性时变结构系统辨识的方法。利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后将非线性项展开为系统输出数据的多项式的形式。利用短时时不变假设,通过改变模型的参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题,再利用改进的递推最小二乘算法实现对非线性时变结构系统的辨识。最后通过一个具有非线性时变刚度的三自由度结构系统的仿真算例表明,该方法可以有效地辨识非线性时变结构系统。     

基于STUKF的非线性结构系统时变参数识别

针对非线性结构系统时变参数识别问题,传统无迹卡尔曼滤波(Unscented Kalman Filter,UKF)难以有效跟踪结构参数的变化。将强跟踪滤波原理引入无迹卡尔曼滤波,提出一种强跟踪无迹卡尔曼滤波(Strong Tracking Unscented Kalman Filter,STUKF)算法,以识别结构参数的变化。在UKF量测更新后,依据输出残差计算渐消因子矩阵;引入两个渐消因子矩阵实时调整状态预测协方差矩阵,使残差序列强行正交,快速修正结构参数估计值,使STUKF具有对结构参数变化的跟踪能力;此外,为节省计算时间,调整状态预测协方差矩阵后不再进行sigma点采样,保证了算法的高效性。数值分析结果表明,该算法能有效识别非线性结构系统的参数及其变化,并具有较强的抗噪性。     

振动系统稳定模型的频域辨识

研究了利用频响数据进行振动系统辨识的问题。将振动系统表示为二阶传递函数之和的形式,通过约束传递函数模型中分母系数为正,可以保证模型的稳定性。采用非线性最小二乘目标函数作为优化准则,分子和分母系数通过分离的方式进行估计。分母系数利用模拟退火算法得到,分子系数通过求解线性最小二乘问题得到。数值仿真算例验证了辨识算法的有效性。     

基于前向神经网络的时变非线性结构系统辨识快速递推最小二乘法

针对基于前向神经网络的普通递推最小二乘估计存在着自适应跟踪慢和精度低的问题，提出了一种可对非线性时变系统进行快速辨识的新方法，因该方法有类似递推最小二乘算法的形式，称其为基于前向神经网络的快速递推最小二乘算法。该算法对传统的递推最小二乘算法的递推方式进行了改变，以更好的跟踪非线性时变系统的动态特性。针对典型的系统辨识仿真算例，通过与现有常用方法的比较研究显示了这种算法具有计算简单、收敛速度快和辨识精度高的良好性能。最后将方法用于一个三自由度时变非线性振动系统，结果同样验证了方法的良好特性。     

基于模型实时辨识自适应控制算法的时变机械系统振动主动控制

参数时变的现象广泛存在于机械系统。如果系统参数随着时间而发生较大变化,振动主动控制方案就需要考虑时变参数对控制算法的影响。针对动力学特性变化较大的时变机械系统振动,提出一种模型实时辨识自适应控制算法,该算法将传统的滤波自适应算法与递归预测误差方法相结合,利用改变梯度的递归预测误差方法实时估计控制通道模型。建立弹簧质量支承的非均匀截面杆纵向振动时域模型,模型中随时间而变化的弹簧刚度导致模型动力学特性发生较大变化。用模型实时辨识自适应控制算法对建立的杆模型进行振动控制数值仿真,仿真结果表明,所提出的控制算法能有效抑制时变系统的窄带和宽带振动。相对于现有的方法,该控制算法能实现更好的控制性能。最后,将所提出的控制算法应用到时变的摇摆系统振动控制,实验结果验证了所提出控制算法的可行性和有效性。     

子空间预测控制算法在主动噪声振动中的应用

为解决主动噪声和振动控制中的执行器饱和约束条件问题,本文在子空间系统辨识的基础上,研究了一种新颖的子空间预测控制方法。该控制方法联合了系统辨识和控制器设计,直接由输入-输出数据得到将来时刻的输出预测值,自动校正系统中的参数,克服了传统的模型预测控制中繁琐的系统辨识环节。同时子空间预测控制允许执行器机构出现饱和现象,在考虑由饱和现象导致的约束条件时,利用线性矩阵不等式将约束优化问题转化为无约束优化问题。采用椭球优化算法迭代地产生一系列体积逐渐减小的椭球序列,该序列最终能收敛到一个最优解。在椭球算法的基础上推导了该算法达到收敛时所需要迭代次数的一个上界。这在智能优化算法中是很难求得到的。最后以直升机悬停状态时发生的颤振为例,利用本文中的子空间预测控制和椭球优化算法设计闭环系统的反馈控制器,验证闭环系统的输出响应能较好地跟踪期望值,从而得出本文方法的有效性。     

基于最优参数实现 Lorenz-stenflo系统的相空间重构

摘要：以一个新的扩展 Lorenz系统为背景,利用向量间的相似度改进了相空间重构所需的最优延迟时间的算法,并最终实现了该系统的相空间重构。数值结果表明改进后的算法是有效的,可能更好选择最优延迟时间。     

基于样本密度KFCM新算法及其在故障诊断的应用

摘要：针对传统核模糊聚类(KFCM)算法无法克服边界噪声数据影响且对初始聚类中心敏感的不足,提出一种基于样本密度和最大类间方差法相结合的KFCM算法。该算法在传统的KFCM算法中引入样本分布密度作为权重,克服噪声及边界数据对分类中心的影响,使样本的聚类效果更好,同时还可以分析各样本对聚类的贡献程度。此外利用最大类间方差法对样本密度进行分割,得到各类中心点并以此作为KFCM算法的初始聚类中心,克服了传统算法对初始值敏感的不足。对各种实际数据集的测试结果均显示出新算法的优良性能。最后利用新算法对轴承故障进行诊断,试验结果表明新算法的诊断率优于传统的聚类算法。     

两种新的基于子空间跟踪的时变模态参数快速辨识算法

该文研究了基于子空间跟踪的时变模态参数快速辨识算法的过程。对更新的输入/输出数据的预处理后, 时变模态参数辨识的主要问题转化成子空间跟踪, 引入NPI 和API 子空间跟踪算法替代PAST 形成两种新的时变模态参数快速识别算法。通过对移动分布质量-悬臂梁这一典型的时变结构系统以及两自由度弹簧-质量系统的时变模态参数识别验证了新算法的有效性并且比较分析了这3种基于不同子空间跟踪算法的时变模态参数识别算法的辨识能力。     

改进的EKF算法在目标跟踪中的运用

过程噪声和测量噪声影响Kalman滤波的性能,通常很难得到它们准确的值。提出观测噪声和过程噪声实时估计的自适应算法。该算法可以用在非线性和机动目标跟踪问题中,不必预先知道准确的噪声方差。重新估测观测噪声方差矩阵,可以较好地消除由观测噪声带来的误差;建立一个简单的线性Kalman滤波器对过程噪声进行实时估计,这对于机动目标来说是必要的,因为原有的过程噪声将受到加速度影响,不能包含全部的信息。实验表明,该算法保证EKF稳定性,提高了跟踪性能。模拟实验300次后,X,Y方向位置均方误差分别为7.8099,9.6838。     

非线性Kalman滤波器在纯方位被动跟踪中的应用

目标运动分析(简称TMA)是用于估计水下目标时变状态最主要的技术之一。应用了两种非线性滤波器——EKF和UKF来估计单/双基地情况下的目标运动状态,并由蒙特-卡洛仿真给出其跟踪性能。数值结果表明:在大部分情况下,特别是当目标存在机动时,UKF在估计精度和数值稳定性上都要好于EKF,其代价仅是少量地增加了的计算复杂度。     

外滚道剥落的高速轴承转子非线性系统及其振动响应分析

为了建立符合工程实际的外滚道剥落高速轴承转子系统动力学模型,将滚道剥落引起的时变位移和时变冲击激励、油膜时变刚度和时变阻尼、钢球与滚道时变接触刚度和时变接触角、时变接触力等非线性因素综合考虑,结合JONES的高速球轴承动力学模型建立了外滚道剥落的高速轴承转子系统非线性动力学模型.基于该模型研究了剥落尺寸和转速变化时轴承...     

汇流传动齿轮-转子-轴承系统非线性动力学分析

考虑齿侧间隙、传动误差和时变啮合刚度等非线性因素,并同时考虑滑动轴承非线性油膜力和齿轮啮合力的耦合影响,建立了汇流传动齿轮-转子-轴承系统的动力学模型。从转速方面出发,研究了齿轮系统的非线性动态响应,分析了齿轮啮合力和非线性油膜力之间的耦合作用,判断了转速变化下的油膜稳定性。结果表明：随着转速变化,系统表现出周期一运动、周期二运动、拟周期运动,混沌等丰富的动力学特性,并发现了拟周期分岔通向混沌的道路;随着转速升高,非线性啮合力和非线性油膜力先后对系统振动起到主要作用;油膜振动通过半频涡动失去了稳定性。     

Linear approximation model network and its formation via evolutionary computation

To overcome the deficiency of ’local model network’ (LMN) techniques, an alternative ’linear approximation model’ (LAM) network approach is proposed. Such a network models a nonlinear or practical system with multiple linear models fitted along operating trajectories, where individual models are simply networked through output or parameter interpolation. The linear models are valid for the entire operating trajectory and hence overcome the local validity of LMN models, which impose the predetermination of a scheduling variable that predicts characteristic changes of the nonlinear system. LAMs can be evolved from sampled step response data directly, eliminating the need for local linearisation upon a pre-model using derivatives of the nonlinear system. The structural difference between a LAM network and an LMN is that the overall model of the latter is a parameter-varying system and hence nonlinear, while the former remains linear time-invariant (LTI). Hence, existing LTI and transfer function theory applies to a LAM network, which is therefore easy to use for control system design. Validation results show that the proposed method offers a simple, transparent and accurate multivariable modelling technique for nonlinear systems.     

Adaptive Fuzzy Strong Tracking Extended Kalman Filtering for GPS Navigation

The well-known extended Kalman filter (EKF) has been widely applied to the Global Positioning System (GPS) navigation processing. The adaptive algorithm has been one of the approaches to prevent the divergence problem of the EKF when precise knowledge on the system models are not available. One of the adaptive methods is called the strong tracking Kalman filter (STKF), which is essentially a nonlinear smoother algorithm that employs suboptimal multiple fading factors, in which the softening factors are involved. Traditional approach for selecting the softening factors heavily relies on personal experience or computer simulation. In order to resolve this shortcoming, a novel scheme called the adaptive fuzzy strong tracking Kalman filter (AFSTKF) is carried out. In the AFSTKF, the fuzzy logic reasoning system based on the Takagi-Sugeno (T-S) model is incorporated into the STKF. By monitoring the degree of divergence (DOD) parameters based on the innovation information, the fuzzy logic adaptive system (FLAS) is designed for dynamically adjusting the softening factor according to the change in vehicle dynamics. GPS navigation processing using the AFSTKF will be simulated to validate the effectiveness of the proposed strategy. The performance of the proposed scheme will be assessed and compared with those of conventional EKF and STKF     

Robust positioning technique in low-cost DR/GPS for land navigation

This paper describes a dead-reckoning (DR) construction for land navigation and sigma-point-based receding-horizon Kalman finite-impulse response (SPRHKF) filter for DR/GPS integration system. A simple DR construction is adopted to improve the performance of both pure land DR navigation and DR/GPS integration system. In order to overcome the flaws of the extended Kalman filter (EKF), the sigma-point KF (SPKF) is merged with the receding-horizon strategy. This filter has several advantages over the EKF, the SPKF, and the RHKF filter. The advantages include the robustness to the system model uncertainty, the initial estimation error, temporary unknown bias, etc. The computational burden is reduced. Especially, the proposed filter works well even in the case of exiting the unmodeled random walk of the inertial sensors, which can occur in the microelectromechanical systems' inertial sensors by temperature variation. Therefore, the SPRHKF filter can provide the navigation information with good quality in the DR/GPS integration system for land navigation seamlessly.