利用NARMA模型辨识非线性时变结构系统

为了有效地进行非线性时变结构系统的辨识,提出了一种基于Kalman滤波算法的利用时变非线性自回归滑动平均模型的用于非线性时变结构系统辨识的新方法.首先,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.建立系统参数的随机游动模型,引入Kalman滤波算法估计系统的参数,实现对非线性时变结构系统的辨识.最后对一个具有非线性时变刚度的三自由度结构系统进行了仿真,结果表明:该方法可以有效地跟踪非线性时变结构系统的参数变化.遗忘因子的对比试验表明只有选择合适的遗忘因子才能得到合理的结果.     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.     

规范状态空间系统辨识方法

因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程(递阶计算过程).沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.     

基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识

针对非线性动态系统辨识 ,采用高阶神经网络和径向基函数网络相结合的方法 ,神经网络的连接权值可作为系统的未知参数 ,用扩展卡尔曼滤波器 (EKF)算法来估计 ,确保了该方法的快速收敛 .具体模型的仿真结果表明该方法能快速收敛 ,并能方便的用于在线辨识 .     

一种基于粒子滤波的非线性系统参数和状态联合估计方法

提出了一种新的基于粒子滤波的非线性系统参数和状态联合估计方法.该算法利用粒子滤波方法,结合核平滑收缩技术,同时采用标准贝塔分布代替传统的高斯分布,来拟合系统未知参数的后验分布,最终实现非线性系统中参数的迭代估计.仿真结果表明,该算法提高了未知参数和状态的估计精度,在估计的收敛性方面也有明显的改善.     

一类不确定非线性系统的鲁棒自适应控制

针对具有有界扰动的参数化严格反馈非线性系统,提出了一种鲁棒自适应控制方案。用辨识器估计系统未知参数,利用“确定性等价原则”构成自适应控制方案,从而实现了辨识器与控制器设计的完全分离。所设计的自适应控制器既能保证闭环系统所有信号的全局有界性,又能使输出跟踪误差以指数速度收敛到零的一个小邻域内。仿真结果表明了所提控制方案的有效性。     

基于改进最小二乘算法的船舶操纵性参数辨识

为了解决船舶操纵性参数辨识问题,考虑了船舶运动时域的非线性和非平稳的特点,提出了一种快速收敛迭代学习最小二乘算法,提高了参数辨识速度和精度。首先建立了船舶操纵一阶和二阶非线性运动响应模型,并将其离散化;然后采用迭代学习思想,并引入P型学习率改进了递推最小二乘算法进行参数辨识;同时分析了该算法的收敛性;最后进行了相关实验。实验结果证明了该算法的可行性和有效性。     

基于多新息算法的阶次未知的Wiener系统参数估计

针对阶次未知Wiener系统辨识模型过参数问题和最小二乘精度低的问题,提出一种行列式比确定阶次和基于分解技术的多新息最小二乘估计方案。首先,利用系统数据构造数据矩阵,利用行列式比方法估计系统的阶次;然后,利用分解技术将线性模块代入到非线性模块的特定项中,建立线性参数和非线性参数相互分离的估计模型,减少算法的计算量;其次,设计参考模型处理估计模型中存在的未知的内部变量,使内部变量转化为间接可测的变量;最后,采用一定的新息长度修改标量新息为多新息,提高估计算法的性能。通过分析不同噪声和不同新息长度对所提出算法的影响,验证该算法的鲁棒性和有效性。仿真结果表明,所提出的估计方案在估计精度和收敛速率上都优于递归最小二乘方法。     

欠驱动船舶路径跟踪神经元自适应迭代滑模控制

针对模型存在参数不确定以及遭受未知外界干扰的欠驱动船舶路径跟踪控制问题,本文提出一种基于Lyapunov稳定性的神经元自适应迭代滑模控制方法。该方法根据路径跟踪偏差信息构造出四阶非线性迭代滑模面,利用最高阶滑模面构建Lyapunov能量函数,并得到满足系统渐近稳定性条件的一个误差函数,进而采用Adaline单神经元设计自适应控制器,且结合最小二乘法推导出使误差函数收敛的神经元权重在线学习算法,可避免对模型参数不确定项和外界干扰进行估计。将设计的控制器应用于5446TEU集装箱船模型进行仿真,结果表明控制系统能有效地处理模型参数摄动及风浪干扰,具有强鲁棒性,且与迭代滑模控制器相比所得控制舵角输出更加平滑有效。     

运动状态下机器人关节面物理参数在线模糊辨识方法

利用模糊自动推理方法,提出了一种辨识运动状态下机器人关节面时变物理参数的方法。该方法是在原有模糊聚类法的基础上,推导出的在线自适应模糊推理算法,可应用在时变非线性系统参数在线辨识中。以三自由度单臂机器人为研究对象,建立了机器人运动状态下的动力学模型,利用该自适应模糊推理算法在线辨识此动力学模型中的机器人关节面时变物理参数。由于该方法采用局部估计算法,实验结果表明,该方法具有工程实用价值。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

竞争学习的非均匀采样非线性系统的模糊辨识

在实际非线性系统中,由于资源的限制,使得输入信号快速刷新,输出信号慢速采样.利用获得的非均匀采样数据对原非线性系统辨识存在一定困难.为此,通过提升技术,把非线性系统的多个特征点局部的线性模型转化为模糊模型的后件线性模型.在此基础上,提出基于竞争学习和递推梯度下降方法的辨识算法.通过定理证明:输入信号在持续激励条件下,模糊模型的参数能够一致性收敛;针对化工p H中和过程非线性系统,采用非均匀采样数据,建立其模糊模型,通过实际数据与模糊模型输出数据误差对比,表明了实际系统在非均匀采样条件下,模糊辨识能够建立其过程模型,验证了提出方法的有效性.     

灰箱辨识在连续回转电液伺服马达中的应用

为能准确地获得新型连续回转电液伺服马达系统的性能参数,建立了系统的灰箱辨识模型,采用灰箱建模理论进行参数辨识,通过matlab辨识工具箱利用液压系统已知的参数来辨识难以求得的参数.该辨识是一种基于系统物理结构和输入输出测量数据的方法,不但利用了系统的先验物理知识,而且考虑了过程噪声所造成的模型不确定性,能够很好地把握实际系统行为的本质.实验结果证明:该方法对于获得准确液压系统性能参数,建立一个准确模型是非常有效的.     

互联电力系统动态等值模型的可辨识性分析

对互联大型电力系统分析采用动态等值可以显著降低计算量,并能较好反映系统动态特性.动态等值的同调等值法和模式等值法大都用于离线分析,在线动态安全分析常需要对外部系统作在线的动态等值,这时需要采用辨识等值方法:先确定系统等值模型,模型参数通过辨识获得.给出了计及励磁系统、考虑发电机凸极特性和负荷静特性的电力系统区域动态等值模型;分析了模型的可辨识性.从理论上证明:充分利用稳态条件,等值模型中所有参数均是可以辨识的.     

Study on least square modeling of heat engineering object based on typical signal response

Heat engineering object that has self-equilibriumis either described by the feature of single capacity ordouble capacity with lagging.In order to analyze anddesign automatic control system,generally step curveand method[1]based on area are used to determi…     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

Inverse Control of Nonlinear Servo System Based on Neural Networks

ＩｎｖｅｒｓｅＣｏｎｔｒｏｌｏｆＮｏｎｌｉｎｅａｒＳｅｒｖｏＳｙｓｔｅｍＢａｓｅｄｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓＷＡＮＧＣｈａｎｇｈｏｎｇＸＵＬｉｘｉｎＧＡＯＸｉａｏｚｈｉＺＨＵＡＮＧＸｉａｎｙｉ（王常虹）（徐立新）（高晓智）（庄显义）（Ｄｅｐｔ．...     

下肢外骨骼机器人动力学参数辨识与步态跟踪

为了提高下肢外骨骼机器人步态轨迹跟踪的精度,对于下肢外骨骼二连杆动力学模型,提出一种静态与动态结合的参数辨识的实验方法,并结合穿戴者人体参数,得到人机协同系统精确的动力学模型。采用基于模型上界的滑模控制,并引入低通滤波器,进行MATLAB步态跟踪仿真。经仿真表明,髋关节和膝关节转矩的实验测量值与理论计算值的波形基本一致,动力学参数辨识结果正确;基于滑模控制的人机协同系统能够实现髋关节和膝关节对参考步态轨迹的精准跟踪,低通滤波器能够有效减小滑模控制引起的高频抖振。这为下肢外骨骼动力学参数辨识提供了一种解决方案,为基于模型的控制方法提供了一种参考模型,为下肢外骨骼人机协同系统的步态轨迹精准跟踪提供了一种参考方法。