模型结构未知的多模型系统辨识的一种简化途径

本文考虑多模型系统,包括模型结构时变系统的辨识问题。这里不假定模型结构已知,给出了多模型系统模型族的统一描述方法,包括模型结构与参数的辨识方法。并对所提出的方法进行了理论分析和计算机仿真。     

神经网络在系统辩识中的应用研究

系统辩识是进行系统控制、预报、分析和决策的必不可少的一环，神经网络的出现使传统辩识技术难以胜任的一般非线性系统辩识问题得以解决，本文从仿真着手从最基本的常用工业对象出发，对多变量系统、非线性系统研究，用ＢＰ网络进行仿真，表明神经网络在系统辩识的各个领域都有广阔的应用前景，并且有相当高的辩识精度。     

系统辩识在热工系统仿真中的应用

热工系统的参数在许多情况下都很难用明确的数学表达式来描述,因此热工系统的仿真就很困难,本文提出了应用系统辨识的方法,来求取热工系统参数的仿真数学模型,这样不但可以担任仿真运算速度,而且可以提高仿真精度。     

系统盲辩识的矩阵算法

盲辩识是知道系统输出和输入的某些统计特性辩识系统.由系统输出导出辩识系统冲击响应的矩阵方程,建立系统的盲辨识方程.用提出的优化算法(QCGA)解矩阵方程辩识系统.计算机模拟表明提出的优化算法优于奇异值分解(SVD)算法,而新的盲辨识算法为一种快速有效算法.     

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。     

一种多变量CAR模型结构和参数的辨识方法

本文提出了一种用于多变量系统CAR模型结构和参数估计的算法，本文法具有良好的数值计算的稳定性，估计结果的精度高，一旦确定结构后，立即得到参数估计值，没有重复计算，因此计算最小，数值仿真的结果表明本方法的有效性。     

动态系统时变参数辨识的一种计算机实现途径

本文着重介绍将时变参数的离线辨识转化为非时变参数的辨识方法的计算机实现过程。     

一种含控制滞后的Wiener模型的辩识方法

研究了含控制滞后Ｗｉｅｎｅｒ模型的辨识。在一定条件下，这一模型满足一组回归函数。利用Ｆｏｕｒｉｅｒ 级数部分和可以求得回归函数在若干点上的估计。     

一种多输入多输出系统模型辨识方法及其应用

目前的辨识方法一般需要在系统输入端加入激励信号，而且多输入多输出系统的在线辨识仍很困难。本文提出一种基于牛顿迭代法的多输入、多输出对象模型迭代辨识方法，模型参数更新的依据是使模型预测输出与全部采样时刻的对象实际输出之间的均方差递减，直到收敛。这种基于全局数据迭代的辨识方法可进行闭环辨识，无需外加激励信号，适用于多输入多输出对象的在线辨识。对一个两输入、两输出对象模型的仿真研究和某电厂300MW机组负荷被控对象的计算结果表明，辨识效果令人满意。     

辨识Wiener模型的一种新方法

本文提出了一种辨识Ｗｉｅｎｅｒ模型的新方法，该方法利用不同幅值的周期脉冲信号作输入辨识信号，并且获了非线性增益未知参数和线性子系统脉冲响应的强一致性估计。本文还研究了估计残差的渐近分布以及收敛速度，最后的数字仿真研究说明了该方法的有效性和实用性。     

一种简化的人体步行神经网络模型

本文针对复杂的人体步行的神经 -肌肉 -骨胳系统模型 ,分析了步行中的主要关系 ,对神经网络模型作了较大的简化和修改 ,提出了一个简单的神经网络模型 .该模型在步行状态、神经耦合、感觉信号反馈等方面都作了简化 .计算机仿真表明 ,该模型能产生稳定的步行运动     

基于矩阵QR分解的模糊模型结构分析与简化

研究用矩阵ＱＲ分解分析一类模糊模型的结构,用模糊统计信息判据指导规则的精简,用Ｒ矩阵扩对角线元素分布与模糊规则的关系确定重要规则,冗余或不重要规则,实现模糊模型结构优化。该方法已成功地应用于Ｍａｃｋｅｙ－Ｇｌａｓｓ浑沌系统建模。     

中国可持续发展系统动力学仿真模型

本文介绍了国内首次成功地利用ＹＥＮＳＩＭ软件建立的中国可持续发展模型，该模型软件工具丰富，模型建立直观简单，界面友好，决策变量选择方便，并且仿真极为快捷形象。本模型可用作群体决策支持系统，尤其适用于决策者们直接参与操作仿真，进行多方案的决策比较。     

一种基于动态人工神经网络的Wiener模型辨识

提出了一种新的辨识模型对Ｗｉｅｎｅｒ模型进行辨识,该模型 线性动态神经元串联一静态网络模型组成,利用线性动态神经元对Ｗｉｅｎｅｒ模型的线性动态部分建模,利用静态ＢＰ网络逼近模型的静态非线性部分,并且给出了统一的ＢＰ辨识算法,仿真结果表明了该方法的有效性。     

复杂工业系统模型化：多层智能辨识途径

复杂工业系统模型化是实现多层次要求、多任务控制的基础和前提。详细论述了复杂工业系统的特征，研究其模型化要求、结构及其设计原则，提出实现系统模型化的多层智能辨识的概念和途径，最后给出了例子说明。     

一种采用神经网络进行系统辨识的新方法

0 引言 系统辨识就是由测试数据直接求取模型的方法.系统的数学模型是对了解系统的内部结构和特性、对系统进行深入的理论分析的首要前提.因此,要想全面了解系统就必须通过各种途径来获得数学模型.目前系统建模的方法主要有机理建模和实验建模.机理建模是从过程对象的机理和生产设备的具体结构出发,通过物料平衡和能量平衡关系,推导出对象的数学模型.这种方法虽然具有较大的普遍性,但是,由于很多工业对象内部的工艺过程复杂,对某些物理、化学过程尚不完全清楚,所以,对于复杂的数学模型较难建立;另外,工业对象大多存在非线性因素,在推导中往往需要做一些近似和假设,这就使由此方法建立的模型不能完全反映实际情况,这就可能会对进一步深入的理论分析产生影响.因此,在实际中,由于过程系统的复杂性,往往采用实验建模的方法,特别是当推导不出对象数学模型时,更需要通过实验方法来求得.采用实验的方法对系统进行辨识的方法主要有:常规方法(包括阶跃响应曲线法和脉冲响应曲线法)、闭环振荡辨识法(包括等幅振荡法和衰减振荡法)、最小二乘参数估计法、相关系数法等.这里采用神经网络来对固定模型的系统进行辨识,其本质上还是基于系统的阶跃响应曲线,它是通过找出模型参数与其阶跃曲线之间的对应关系获得一组数据,来对神经网络进行训练,使其具有模型的结构,然后再反过来对具有这类模型结构的系统进行辨识.