具有未知反馈环节的闭环线性系统的辨识

本文提出一种新的具有未知反馈环节的一类闭环线性系统的参数辨识方法，它仅利用闭环系统外部输入输出测量值来辨识闭环系统的前向环节，反馈环节和噪声模型。计算机仿真表明，本文所述方法是有效的。     

一种基于继电反馈的预测模型闭环辨识方法

针对模型预测控制中过程模型的辨识问题，提出了一种基于继电反馈的预测模型闭环辨识方法.采用非对称继电器与包含PID控制器和被控过程组成的广义过程构成闭环反馈系统，继电器的输出作为PID控制器的设定值.利用非对称继电器激励下产生稳定的不对称振荡响应，直接获取Nyquist曲线上的两个频点，基于快速离散傅里叶变换的辨识算法可辨识该广义过程的一阶加纯滞后（FOPDT）模型.与开环阶跃测试方法相比，可降低测试对被控过程的扰动幅度，仅需要进行一次继电器激励测试即可获得广义过程的模型.     

基于模型变换的系统参数快速辨识方法

研究了系统参数辨识的一种间接方法，该方法将要估计的系统模型转换为一种容易估值的高阶系统模型，然后再将高阶模型降阶得到所要的模型参数。证明了该方法与预报误差法具有相同的渐近和统计性能。仿真结果表明该方法比预报误差法具有更高的计算效率。     

基于神经网络的模糊系统的模型辨识及应用

本文将人工神经网络理论和模糊系统理论结合起来，提出了一类基于人工神经网络的模糊模型辨识方法。该方法能辨识非线性的、复杂系统的模糊模型。仿真表明本文给出的有关模型及算法，能有效地用于多种难以建立精确数学模型的控制系统。     

神经网络辨识研究的现状

阐述了神经网络辩识的基本原理，综述了神经网络辨识的研究进展，对各种不同的辨识方法进行了评述，并指出各自的特点，同时得出神经网络辩识的局限性。     

基于数据库的模型辨识及DMC控制器设计

过程模型的获取是模型预测控制的关键技术之一.随着计算机技术的广泛使用,工业过程中积累了大量的数据,从中可获取对象特性的有关信息.本文采用数据库技术进行了对象模型的辨识,并进行了动态矩阵控制器的设计研究.针对一个球罐液位系统的控制仿真实验表明本文采用的辨识方法具有较好的精度,在此基础上设计的DMC控制器具有令人满意的性能.     

一类非线性系统稳态模型辨识方法

针对一类非线性系统，本文提出了一种辨识其稳态模型的新方法，并得到了稳态模型的强一致性估计。识输入信号为优化过程中设定点的正常阶跃变化信号，本文还研究了估计残差的渐近分布和残差收敛速度，最一的计算机数字仿真显示了该方法的有效性和实用性。     

空气重介流化床的基于逆系统方法的内模控制

为了提高大型空气重介流化床（ADMFB）的鲁棒性和抗干扰能力，提出了基于人工神经网络（ANN）逆系统方法的内模控制.在分析ADMFB系统可逆性的基础上，该方法利用ANN辨识得到的原系统逆模型与原系统相串连，运用逆系统方法的思想，将该多变量、非线性、强耦合的系统通过反馈线性化，解耦成多个相互独立的单输入单输出（SISO）的伪线性子系统，对求得的伪线性系统采用该方法进行控制.ADMFB的仿真结果表明，该方法不依赖于系统的精确数学模型，对恒值扰动具有良好的抑制能力，并当非线性参数发生变化或逆系统存在建模误差时，由该方法设计的闭环系统均具有良好的鲁棒稳定性.     

Dynamic inverse control of feedback linearization in ballistic correction based on nose cone swinging

It is a complicated nonlinear controlling problem to conduct a two-dimensional trajectory correction of rockets.By establishing the aerodynamic correction force mathematical model of rockets on nose cone swinging,the linear control is realized by the dynamic inverse nonlinear controlling theory and the three-time-scale separation method.The control ability and the simulation results are also tested and verified.The results show that the output responses of system track the expected curve well and the error is controlled in a given margin.The maximum correction is about ±314 m in the lengthwise direction and ±1 212 m in the crosswise direction from the moment of 5 s to the drop-point time when the angle of fire is 55°.Thus,based on the dynamic inverse control of feedback linearization,the trajectory correction capability of nose cone swinging can satisfy the requirements of two-dimensional ballistic correction,and the validity and effectiveness of the method are proved.     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

系统辨识(7)：递阶辨识原理与方法

递阶辨识是系统辨识的一个重要分支.递阶辨识原理是在大系统递阶控制的“分解-协调原理”基础上发展起来的,它不仅能够解决参数数目多、维数高、大规模系统辨识算法计算量大的问题,而且能够解决结构复杂的双线性参数系统、多线性参数系统以及非线性系统的辨识问题.首先介绍递阶辨识原理和线性方程组Ax=b的著名雅可比迭代和高斯-赛德尔迭代,给出了线性方程组的迭代方法族;其次将雅可比迭代思想和递阶辨识原理用于研究一般矩阵方程和耦合矩阵方程的递阶梯度迭代求解方法和递阶最小二乘迭代求解方法;再次介绍了方程误差模型的两阶段最小二乘辨识方法(一个简单的递阶辨识方法)和线性回归模型的递阶最小二乘辨识方法;最后研究了类多变量CARMA系统的递阶辨识方法.     

基于反馈线性化的二自由度协调控制系统设计

协调控制系统的性能直接影响单元机组运行的安全性和经济性。为了克服非线性环节以及能量供需之间关联耦合作用对协调控制系统控制品质的影响,将反馈线性化方法与二自由度控制结构结合,针对一个典型的非线性机炉系统模型,设计出协调控制系统。在不同工况下的仿真试验表明,所设计的控制系统具有良好的设定点跟踪性能、抗干扰能力及鲁棒性。     

辅助模型辨识方法(4):基本思想与梯度辨识

辅助模型辨识思想是针对系统存在一些不可测变量的辨识问题提出的,它是研究含有未知变量的线性系统、非线性系统辨识的重要手段.本文阐述了辅助模型辨识思想,针对白噪声干扰的输入非线性有限脉冲响应系统,研究辅助模型梯度辨识方法、辅助模型多新息梯度辨识方法、变递推间隔辅助模型多新息梯度辨识方法,以及派生的变递推间隔辅助模型梯度辨识方法、等递推间隔辅助模型梯度辨识方法和等递推间隔辅助模型多新息梯度辨识方法.     

参数不确定下的反馈控制混沌同步

为实现参数不确定情况下的混沌同步,提出了一种基于参数辨识的反馈控制混沌同步方法．采用参数自适应控制策略对系统中的不确定参数进行辨识,并设计了线性反馈控制器,实现了参数不确定情况下的线性反馈混沌同步．进一步对线性反馈控制器参数采用自适应改进控制,简化了同步收敛条件的计算、同时,针对线性反馈控制非单调同步的局限性,设计了非线性反馈控制器,实现了性能良好的非线性反馈混沌同步、最后,通过对Lorenz系统的仿真结果验证了方法的有效性．分析表明,该同步方法能够有效地解决工程实际中出现的参数不确定下的混沌同步问题,具有一定的实用性．     

基于逆控制的直线电机驱动磁悬浮平台推力系统

介绍一种新型的磁悬浮平台，由于该直线电机驱动的磁悬浮平台的推力系统是一个多变量、非线性、强耦合的对象.为了达到较好的控制效果，应用逆控制算法，对它进行解耦控制，使其成为无耦合的三个子系统.然后根据线性系统理论进行主通道控制器的设计.同时配以速度前馈控制器来改善动态性能.仿真实验结果表明，这种控制方案达到解耦的效果，有良好的动态、静态特性，满足半导体微细加工、电路板制造、微组装系统、高速贴片等高精度定位的场合.     

基于支持向量回归的自适应逆控制方法

将支持向量回归引入逆控制,提出了一种基于支持向量回归的自适应逆控制方法。采用支持向量回归在线辨识算法建立被控对象的逆模型,然后将逆模型作为控制器进行复制去驱动被控对象,从而完成一个自适应逆控制过程。由于支持向量回归是建立在小样本基础上的一种学习方法,因此较好地解决了对于线性系统自适应滤波算法存在的运算量大,权值失调及自适应过程时间长等问题。对于非线性系统,与现有的神经网络方法相比,该方法能提高收敛速度及逼近能力,而且具有更好的推广能力。仿真结果表明,应用该方法可以取得良好的控制效果,并具有较好的鲁棒性能。