应用最优化方法辨识指数自回归模型

本文研究应用非线性最优化原理辨识指数自回归模型的方法，以Ｎｅｗｔｏｎ一维搜索和线性回归法为基础，提出一种改进的坐标轮换算法，交替地估计模型的线性和非线性参数。实例表明，该算法对指数自回归模型具有良好的辨识效果。     

一种随机振动模型结构辨识方法

利用时序分析中估计自回归模型参数的理论，导出了高阶矩Ｙｕｌｅ－Ｗａｌｋｅｒ方程，并给出了一种模型结构辨识方法，从而减少了分析时的盲目性，提高了辨识精度。     

非线性随机振动的时间序列模型

本文研究应用时间序列模型分析非线性随机振动的方法。重点讨论指数自回归模型存在稳定和不稳定极限的条件，研究指数自回归模型的辨识方法，并对车床切削颤振采样序列进行分析。     

一种新的预测冰蓄冷空调负荷的ARMAX模型辨识方法

基于系统辨识理论,提出一种新的预测冰蓄冷中央空调平均负荷的外源自回归滑动平均(ARMAX)模型辨识方法.首先根据空调负荷历史数据构建次日平均负荷的ARMAX模型;然后基于不同的室外最高温度建立自适应ARMAX温度区间模型,该模型由几组参数时变的子模型组成,子模型参数由在线回归算法辨识.测试数据表明,所提出的ARMAX温度区间模型与传统的ARMAX模型相比具有较高的预测精度,而且室外最高温度差异越大,效果越明显,可用于冰蓄冷中央空调的优化控制.     

基于改进最小二乘步骤的NARMA模型辨识非线性时变结构系统

基于时变非线性自回归滑动平均模型利用改进的递推最小二乘算法提出一种用于非线性时变结构系统辨识的方法。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,通过改变模型的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,再利用改进的递推最小二乘算法实现对非线性时变结构系统的辨识。最后通过一个具有非线性时变刚度的三自由度结构系统的仿真算例表明,该方法可以有效地辨识非线性时变结构系统。     

非线性自回归模型辨识及其在结构损伤识别中的应用

分析了带有外部输入的线性/非线性自回归模型一般表达式(GNARX)与Volterra级数模型的相似之处,以及GNARX模型与带外部输入的自回归模型(ARX)之间的内在联系。根据GNARX模型结构特点,提出了一种基于参数离差率的结构剪枝算法,并用于模型结构辨识,通过数据仿真,验证了方法的可行性和有效性。最后,将GNARX模型结合提出的结构辨识方法,应用于钢板的损伤识别。结果显示,基于参数离差率的结构剪枝算法辨识GNARX模型结构,其损伤识别精度最高,体现了GNARX模型及其结构剪枝算法应用于结构损伤识别的优越性。     

非线性结构向量自回归模型因果关系的图模型辨识方法（英文）

确定变量间的因果关系是时间序列分析的重要内容.传统的图模型因果推断算法有着明显的局限性,要求模型是线性的且噪声项服从Gauss分布.本文利用图模型方法辨识非线性结构向量自回归模型变量间的因果关系,给出了一种基于互信息和条件互信息的非线性结构向量自回归因果图模型结构的非参数辨识方法.数值模拟结果验证了方法的有效性.     

非线性自回归模型辨识及其在结构损伤识别中的应用EI北大核心CSCD

分析了带有外部输入的线性/非线性自回归模型一般表达式(GNARX)与Volterra级数模型的相似之处,以及GNARX模型与带外部输入的自回归模型(ARX)之间的内在联系。根据GNARX模型结构特点,提出了一种基于参数离差率的结构剪枝算法,并用于模型结构辨识,通过数据仿真,验证了方法的可行性和有效性。最后,将GNARX模型结合提出的结构辨识方法,应用于钢板的损伤识别。结果显示,基于参数离差率的结构剪枝算法辨识GNARX模型结构,其损伤识别精度最高,体现了GNARX模型及其结构剪枝算法应用于结构损伤识别的优越性。     

结构向量自回归模型因果图的信息论辨识方法

由观测数据确定变量间的因果关系是时间序列分析的重要内容.本文利用图模型方法研究结构向量自回归模型变量间的因果关系,通过时间序列因果图的建立将问题转化为时间序列因果图结构的辨识.基于信息论方法提出了因果性定向的三步准则,利用关联积分估计互信息和条件互信息.模拟结果显示本方法能更有效地辨识结构向量自回归模型因果图的因果结构.     

滑动回归最小二乘算法在某电动振动台模型辨识中的应用

在分析电动振动台数学模型的基础上,利用先进的滑动回归最小二乘辨识算法,有效地开展了电动振动台这一复杂电力学系统阶数和时延的确认、参数估计,并建立了系统的ARMA模型.给出了某型电动台空台面和另一型振动台带滑台的模型辨识结果,并通过正弦扫频试验实例给出了模型验证.结果表明,该算法辨识精度高,收敛速度快,鲁棒性强,抗噪声能力强,在电动振动台系统辨识上能取得良好的效果.     

基于CFD气动力辨识模型的气动弹性数值计算

基于系统辨识技术的非定常气动力降阶模型(Reduced-Order Models,ROMs),保留流体力学(Computational Fluid Dynamics,CFD)计算精度的同时能提高计算效率,但对输入信号加载方式或/和信号频谱要求较高。因此采用基于随机白噪声的模态激励信号进行模型辨识。以一次激励一个模态加载方式在时域内建立多输入、输出的非定常气动力降阶模型。该模型由多个辨识所得单输入多输出自回归滑动平均(Autoregressive Moving Average,ARMA)模型线性叠加而成。用不同频率、形状激励信号对辨识模型与直接CFD计算结果比较结果表明,辨识模型与CFD计算精度一致。将该降阶模型转换为状态空间形式后与结构模型耦合用于Agard445.6机翼颤振边界预测。辨识模型计算结果与非定常N-S方程计算结果及风洞试验结果比较证实,该方法能用于高效气动弹性分析。     

加速度计静态模型的辨识

从加速度计的机理模型分析入手,综述了加速度计静态模型的辨识方法,归纳了目前加速度计静态模型辨识的原理与方法,对现有方法的特点、优势与局限性进行了总结和分析,以目前广泛使用的基于最小二乘的加速度计静态模型辨识为例进行了说明,针对测量噪声不满足一般回归分析要求等情况时加速度计静态模型辨识提出了改进建议。     

微硅陀螺静态漂移自回归模型辨识研究

利用微硅陀螺测量的数据,运用过程辨识理论和时间序列分析方法,建立了陀螺静态漂移的自回归（AR）模型,进而得到连续微分方程。     

线性回归模型中的递推辨识及其应用

摘要：因机械系统振动响应离散差分方程可以改写为关于结构模态参数的线性回归形式,对于此线性回归形式中的结构模态参数的辨识问题可转化为系统辨识理论中线性回归模型的未知参数矢量的辨识估计问题。当系统对象在白噪声激励下,常规的最小二乘辨识法可以给出参数估计的无偏估计。当系统对象在有色噪声作用下,在常规最小二乘辨识法的基础上提出一种新的可分离迭代最小二乘辨识法。在缺乏关于噪声的统计先验信息,仅有噪声为未知但有界的情况下,提出一种带死区的最小二乘辨识法,该辨识法不仅能给出未知参数矢量的一致性无偏估计,而且还能保证参数估计值逐渐向真值靠拢,任何相邻两估计值之间的逼近程度远远小于噪声的上界。在有界噪声出现的情况下,该算法的鲁棒性可以通过在参数修正方程中引入死区的方法来增强。最后用理论上的仿真算例和弹簧-质量-阻尼系统的振动响应来验证两方法的有效性和可行性。     

压电柔性臂的ARMAX模型辨识降阶及最优极点移动控制

研究了压电柔性臂的系统模型辨识和振动主动抑制问题。基于自回归滑动平均模型(ARMAX,Auto-Regressive Moving Average Exogenous)确立了系统辨识模型,且其辨识精度高达97.9%,并采用平衡降阶法对高阶的辨识模型进行降阶,得到低阶模型,通过多频激励实验证实了降阶模型与实际结构具有较高的吻合度。针对柔性臂的振动控制,提出了一种基于线性二次型(Linear Quadratic,LQ)最优极点移动控制法,从求逆的角度,通过移动系统极点来确定LQ的最优状态加权矩阵Q,该方法简单有效地解决了状态加权矩阵Q和输入加权矩阵R的选择问题,具有明显的物理工程意义。试验结果证实了ARMAX模型对于压电柔性臂系统模型辨识的适用性及平衡降阶方法对模型降阶的可行性,并验证了线性二次型最优极点移动策略对柔性臂振动控制的有效性。     

基于最小二乘支持向量机的传感器非线性动态系统辨识

讨论了一种基于最小二乘支持向量机的非线性动态传感器系统辨识方法,并给出了相应的推导过程和学习算法.首先,将传感器的非线性动态系统分解为静态非线性子环节和动态线性子环节串联--Hammerstein模型;然后,建立类似线性的中间模型,通过该模型能将Hammerstein模型的非线性传递函数转换为等价的类线性形式;再通过LS-SVM线性回归算法求取中间模型参数;最后推导出中间模型参数与Hammerstein模型参数之间的关系,并通过该关系反演出原传感器系统的Hammerstein模型参数,实现传感器非线性动态辨识.仿真与实际传感器系统辨识的实验结果均表明该方法可行.     

从响应信号辨识斜拉桥模型的模态参数

针对斜拉桥模型在平稳随机激励下的模态参数辨识问题，研究了提高子空间方法参数辨识精度和可信度的有效途径。在矩阵奇异值分解的基础上，文中使用信号特征分量的能量指标来估计模型阶次，同时给出一种特征频率随拟合数据变化的稳定图。在虚假特征显示能力以及降低数值运算量等方面，这种形式的稳定图与能量指标的结合具有正更大的优越性。在斜拉桥模型的模态参数辨识中，物理模态和寄生模态得到了很好的分离，而且斜拉桥模型在分析频带内的物理模态被全部识别出来。辨识结果的比较说明了给出的辨识方法是有效的。     

基于神经网络的机器人模型参考自适应控制的研究

提出一种新的基于神经网络的机器人模型参考自适应控制方法,采用动态对角回归神经网络作为辨识器和控制器,实现了机器人轨迹跟踪的最小误差控制,给出了神经网络的学习算法,通过实例仿真证明了控制方法应用于未知模型机器人系统的正确性和有效性。     

墨层厚度与实地密度关系数学建模

印刷生产实践表明,墨层厚度与实地密度之间在达到油墨饱和点之前呈直线趋势,因而可建立线性模型,即一阶模型。本研究以系统辨识理论为基础,建立墨层厚度与实地密度之间的数学模型,并对其进行线性回归验证,以检验模型的正确性。     

同步电机参数在线小扰动辨识技术研究

针对目前同步电机参数辨识方法存在的对输入扰动信号要求严、不能计及非线性因素等缺陷，对同步电机参数在线小扰动辨识技术进行了研究．构建了同步电机参数在线采集系统，建立了同步电机的恰当电路模型和状态方程，采用最大似然估计法在轻载和低励磁状态下辨识电机的线性参数，然后在磁路饱和状态下对饱和参数进行辨识修正，最后在大扰动的情况下，对参数和模型进行检验、修正．仿真计算结果与实测数据吻合较好，证明了文中所提出的同步电机参数辨识技术的有效性．