基于SMI辨识的航空发动机模型建立

文中采用子空间模型辨识结合预报误差的方法在某一稳态点对某型航空涡轮发动机的动态模型进行了辨识,建立了该型航空涡轮发动机在该稳态点的'小偏离'动态状态空间模型,以满足在航空发动机性能分析以及故障诊断等领域对动态模型的需要.仿真结果表明,所采用的辨识方法很好地融合了子空间方法的简单性和预报误差法的最优性,用于航空发动机模型辨识是可行的.采用该辨识方法所得的发动机模型具有较高的精度,可以用于航空发动机性能分析,发动机控制以及故障诊断等领域.     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

用于航空发动机动态辨识的MSMEA-ELM算法

针对传统思维进化算法搜索半径缺乏目的性,临时子群体补充缺乏方向性以及神经网络训练速度慢、泛化能力不足,传统极端学习机隐含层神经元个数多的缺点,提出一种多群体自适应思维进化算法优化的极端学习机(MSMEA-ELM)算法,通过传感器数据训练该算法用于对航空发动机大范围动态过程进行辨识.以训练均方误差与权值2范数的加权和最小为优化目标,采用多群体自适应思维进化算法优化极端学习机.以某型涡扇发动机为研究对象,采用MSMEA-ELM算法进行航空发动机动态过程辨识,验证了该算法的有效性.     

用改进子空间辨识法建立航空发动机模型

研究一种采用改进子空间辨识法建立用于航空发动机故障诊断与控制系统设计的小偏差状态变量模型方法.首先,利用发动机非线性模型的输入输出数据序列,在离散域下基于子空间辨识法建立指定阶数、无噪声干扰的状态变量模型,然后将其转化到连续域下进行相似变换,从而获得具有明确物理意义的发动机状态变量模型.这样,不仅避免了那些基于最优化思想方法所带来的一系列问题,即非线性迭代优化、对初始值敏感、计算时间长、系统矩阵参数规律性差等,而且不受模型阶次影响,并具有实现简单等特点.应用于建立某型涡扇发动机的小偏差状态变量模型,并与改进拟合法在拟合精度、计算时间、参数变化三个方面进行比较,从而验证了改进子空间辨识方法的优点与有效性.     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

基于动态BP神经网络的系统辨识方法

本文提出一种简单的动态BP网络,并将其作为并联模型,用于离散非线性动态系统的辨识。仿真结果表明此方法是有效可行的。     

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

Nonlinear identification of a spark ignition engine torque based on ANFIS with NARX method

Spark ignition (SI) engines have a nonlinear dynamic system with inherent uncertainties and unpredictable disturbances. The identification of a nonlinear system is vital in many fields of engineering. In this study, SI engine torque is identified from an input–output measurement. This study aims to propose a dynamic nonlinear model that uses an adaptive neuro‐fuzzy inference system and a nonlinear auto‐regressive with exogenous input structure to identify the dynamic nonlinear behavior of an SI engine. Considerable good performance is achieved using the adaptive neuro‐fuzzy inference system nonlinear auto‐regressive with exogenous input method. For model validation, the proposed method is compared with the more conventional identification approach called the Hammerstein method. The results show that the two methods are in excellent agreement. The Hammerstein model was chosen because its identification result of the SI system was studied previously by the author. Validation results prove that the ability of the proposed model can capture the highly nonlinear behavior of the SI system.     

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。     

A randomised approach for NARX model identification based on a multivariate Bernoulli distribution

The identification of polynomial NARX models is typically performed by incremental model building techniques. These methods assess the importance of each regressor based on the evaluation of partial individual models, which may ultimately lead to erroneous model selections. A more robust assessment of the significance of a specific model term can be obtained by considering ensembles of models, as done by the RaMSS algorithm. In that context, the identification task is formulated in a probabilistic fashion and a Bernoulli distribution is employed to represent the probability that a regressor belongs to the target model. Then, samples of the model distribution are collected to gather reliable information to update it, until convergence to a specific model. The basic RaMSS algorithm employs multiple independent univariate Bernoulli distributions associated to the different candidate model terms, thus overlooking the correlations between different terms, which are typically important in the selection process. Here, a multivariate Bernoulli distribution is employed, in which the sampling of a given term is conditioned by the sampling of the others. The added complexity inherent in considering the regressor correlation properties is more than compensated by the achievable improvements in terms of accuracy of the model selection process.     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

基于NARX神经网络的热负荷预测中关键影响因素分析

在区域供热（DH）网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归（NARX）神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差（MAPE）和均方根误差（RMSE）均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。     

基于非正交核函数的NARX系统辨识

针对非线性自回归模型(Nonlinear Auto-Regressive with extrainput,NARX)系统辨识问题,利用非正交的方法来构造较为稀疏的逼近NARX模型的径向基函数模型。与已有的径向基或其他的核模型只采用同一固定的尺度不同,采用多个尺度,通过最小化当前训练误差,选择最佳的核中心和尺度参数。在学习过程中,采用非正交核函数的方法进行模型逐步回归。对样本数据利用k均值聚类算法得到核函数中心参数备选项,同时设置多个备选尺度,并通过最小二乘法求得相应核函数的权值,利用前向选择方法从中找出使模型误差最小的最优核函数。仿真实验验证了方法在泛化性能和稀疏性方面的可行性。     

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。     

基于动力学特性聚类多维泰勒网的非线性系统辨识与预测

针对时变非线性系统难以建模的问题, 提出了基于动力学特性聚类的多维泰勒网模型, 对系统进行辨识与预测. 首先讨论了多维泰勒网模型构造方法和非线性系统动力学特性聚类的定义; 然后给出基于动力学特性聚类的多维泰勒网自重构算法; 最后通过实例说明基于动力学特性聚类多维泰勒网在实际中应用的方法, 实例结果验证了该方法的有效性.