非线性系统广义脉冲响应函数的盲辨识

探讨减少非线性系统广义脉冲响应函数（GIRF）盲辨识所需计算量问题。 基于线性MIMO模型，应用多项式矩阵理论和子空间盲辨识技术，研究使用部分噪声向量对非线性Volterra系统的GIRF盲辨识方法。该方法的优点是能有效减少GIRF盲辨识所需的计算量。这对GIRF盲辩识方法的在线应用是有利的。仿真结果说明了这一方法的有效性。     

发电机励磁系统参数辨识的仿真研究

研究发电机励磁系统参数辩识问题,由于励磁系统是一个非线性系统,造成电力系统不稳定.传统时域或频域辩识方法不能辩识其非线性环节,导致励磁系统辩识的精度低.为了提高发电机励磁系统的辩识精度,提出一种神经网络的发电机励磁系统参数非线性辨识方法.以发电机励磁系统实际输入作为神经网络的输入,以实际励磁系统输出与神经网络输出之间的最小误差作为目标函数,通过不断调整神经网络的权值对神经网络模型进行优化,最后得到满足系统误差要求的发电机励磁系统参数.仿真结果表明,改进方法解决了传统辩识方法无法准确辩识励磁系统非线性环节的难题,有效提高了励磁系统的辨识精度.     

励磁系统参数辨识中智能建模与仿真研究

研究发电机励磁系统性能,是保证电力系统的稳定性的有效手段,发电机励磁系统模型参数采有时域或频域进行辩识,但是发电机励磁系统是一个非线性系,传统方法存在不能辨识其非线性环节的缺点,导致辩识的精度低.为了提高励磁系统辩识的精度,提出一种粒子群算法优化的励磁系统参数辨识的方法.以励磁系统的实际输入作为模型的输入,以模型的输出和实际励磁系统最小误差作为目标函数,通过改进粒子群算法对模型参数进行优化调整,获得满足误差要求的励磁系统参数.在Matlab环境下进行仿真,结果表明方法具有较快的收敛速度和较高的辨识精度,有效解决了发电机励磁系统正确建模,为提高电力系统运行稳定性提供参考.     

采用改进PSO的非线性系统T-S模糊模型辩识

提出了一种新的T-S模糊模型的非线性系统辨识方法。采用自适应模糊C均值聚类算法确定模糊模型的前件结构及参数,用改进的粒子群优化(PSO)算法来辩识模糊模型的结论参数以获得系统参数的最优估计。仿真结果表明该方法是有效的。     

标量观测辨识模型参数的自适应调试法

针对从标量观测辨识模型参数提出自适应结构调试法,适用于标量函数显式依赖于某变量,未知参教显式出现在该变量的演化方程中的情况.通过调试法解决自适应辩识中辩识参数不收敛问题.对Lorenz混沌系统的数值模拟说明本方法的有效性.     

模糊基函数网络辨识算法稳定性*

模糊基函数网络能很好地以“ｉｆ．．．ｔｈｅｎ．．．”形式利用专家的知识，且以这种模型进行辨识，其辨识误差方程与辩识参数成线性关系，因而非常适用于实时辩识系统中，本文研究了这种网络模型辨识的持续激励条件和基于梯度法的辨识系统稳定性，给出它们存在的充要条件。     

T-S模型的遗传算法和支持向量机辨识

基于非线性系统的输入输出数据,辩识对象的T-S模型.提出基于遗传算法和最小二乘支持向量机的辨识方法,利用遗传算法聚类进行结构辨识,每个类代表一条规则,规则数等于类数量,类中心作为该规则的隶属度函数中心类数;同时考虑模型辨识精度,实现全局优化;参数辨识采用基于结构风险最小化的最小二乘支持向量机方法,综合考虑模型复杂度和辨识误差.仿真结果证明了算法的有效性,辨识精度高,泛化能力强.     

一种基于ＳＩＭＯ系统的递推盲辨识算法

传统的盲辨识算潮基于通道输入的统计模型和通道输出,然而在对输入的统计特性进行准确估计时需要大量的数据,为了避免这种缺点,本文提出了一种单输入多输（SIMO)线性时不变有限单位冲击响应（ＦＩＲ）系统的盲辨识最小二乘算法,利用递推最小二乘算法求解这类算法中的ＸＬＴＫ方程,大大降低了算法对计算存储量的要求,在盲辨识的基础上,利用多项式互质的一个判别定理,通过解卷积求出ＳＩＭＯ－ＦＩＲ系统输入,最后通过实验验证了算法的有效性。     

基于小波子空间法的MIMO系统辨识研究

针对线性时不变多输人多输出(MIMO)系统的输出存在随机噪声情况下,提出直接利用小波域的输入输出数据,辨识MIMO系统的方法.子空间状态空间法是时域辨识MIMO系统的主要方法,通过数据矩阵投影,对数据矩阵进行QR分解和奇异值分解,辨识出系统的阶数和系统的状态方程矩阵.运用小波变换,将时域信号转换为小波域的信号,利用小波子空间状态空间辨识算法对MIMO系统辨识,通过仿真,得到辨识的结果与时域子空间状态空间法相比较,证明提出方法是有效的.     

子空间盲辨识的改进算法

针对单输入多输出(SIMO)系统模型参数的盲辨识问题进行了研究,基于二阶统计量,提出一类改进的子空间辨识算法.依据协方差阵的秩对该矩阵进行分块,在此基础上考虑了实际系统中存在的噪声误差,利用总体最小二乘(TLS)得到一个与噪声子空间相关的量,最后对该量进行标准正交化,得到了噪声子空间.与传统子空间方法相比,改进算法不需要对协方差矩阵进行特征值分解,可以减弱噪声及不确定因素的影响,减少了运算量,仿真实验结果表明了该算法的有效性.