一种新的基于极大似然估计的系统辨识方法

进化计算是一种基于自然选择和自然变异机制的并行随机优化算法。由于递推极大似然估计法难以实现性能指标函数的全局寻优，所以本文提出了将改进的进化计算用于系统参数辨识的方法。计算机仿真结果表明，该算法能够实现似然函数的全局寻优。     

一种基于混沌蚂蚁群算法的系统参数辨识方法

提出了一种基于混沌蚂蚁群算法的控制系统辨识方法,这种方法在给定控制系统数学模型的条件下,将控制系统的参数辨识问题转化为参数的寻优问题,之后利用混沌蚂蚁群算法的全局优化搜索能力对问题进行求解.以典型控制系统为例进行了计算机仿真,实验结果表明,使用混沌蚂蚁群算法可以得到很好的参数估计结果.     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

一种基于模糊神经网络的非线性系统模型辨识方法

该文提出一种非线性系统的模型辨识方法。通过结构的辨识(学习)和参数的辨识(学习),构造了一个模糊神经网络,经调整网络的权值,获得一个精确的模糊模型。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。     

抽水蓄能机组非线性模型参数辨识

为提高抽水蓄能机组调节系统非线性模型参数辨识的精度和速度,对改进的粒子群算法(IPPSO)进行了研究.通过反三角函数初始化,改进鸽群搜索算子更新粒子以及柯西公式变异粒子,综合改善算法的搜索性能.与遗传算法、万有引力搜索算法、标准粒子群算法的对比仿真实验表明,改进后的算法具有更快的收敛速度及更高的辨识精度,为抽水蓄能机组...     

分布参数系统辨识的小波谱方法

本文克服了用不完全可微的小波函数进行导数变换和乘积变换的困难,构造了用于处理分布参数系统问题的小波谱方法,该方法具有良好的收敛性和乘法自适应性.基于该谱方法,文中讨论了分布参数系统的辨识问题,提出了分布参数系统辨识的小波谱方法,算例分析表明了该方法的有效性.     

一种新型的非平稳随机系统参数辨识算法

本文针对带输入端慢时变干扰非平稳动态系统，基于理论推导提出新型的两步最小二乘算法，并对算法性质进行了详细的理论分析，数值仿真结果表明该算法的有效性和算法的一些重要性质。     

磁悬浮系统动力学参数的开环辨识

针对磁悬浮系统的本质非线性，提出了基于试验研究的一种实用的动力学模型开环辨识方法，它能在完全不知系统物理参数的前提下，较好地辨识磁悬浮系统的动力学方程中的参数，据此设计的控制器可以对磁悬浮系统的稳定悬浮进行有效的控制。辨识的结果可直接用于某些场合下磁悬浮系统的运动控制，也可以在此基础上进行更为精确的在线辨识。     

基于EM-KF的同步发电机参数辨识方法

同步发电机的参数的准确性直接影响电力系统仿真结果.本文首先利用电网扰动下的PMU数据,将同步发电机与外部电网解耦;然后利用卡尔曼滤波和期望最大化算法相结合的算法对同步发电机的参数进行辨识,最后利用仿真结果验证方法的有效性.     

基于蚁群算法的弹道参数辨识方法研究

通过传统的计算方法难以得到航空武器系统弹道参数,为此提出一种基于蚁群算法的航空武器气动参数辨识算法。该算法将蚁群算法和实数编码遗传算法相结合,以给定的弹道表数据为标准,采用蚁群算法计算航空武器气动参数分段函数的分段边界点马赫数值,在此基础上采用实数编码遗传算法计算分段函数的多项式系数。采用该算法进行某型炸弹阻力系数辨识计算,计算结果表明:该算法可行,且计算的阻力系数精度高。计算结果已成功应用于某型航电火控系统的设计中。     

QRD-BASED MULTICHANNEL ADAPTIVE LATTICEALGORITHMS FOR THE PARAMETERIDENTIFICATION PROBLEM

A pair of multichannel recursive least squares (RLS) adaptive lattice algorithms based on the order recursive of lattice filters and the superior numerical properties of Givens algorithms is derived in this paper. The derivation of the first algorithm is based on QR decomposition of the input data matrix directly, and the Givens rotations approach is used to compute the QR decomposition. Using first a prerotation of the input data matrix and then a repetition of the single channel Givens lattice algorithm, the second algorithm can be obtained. Both algorithms have superior numerical properties, particularly the robustness to wordlength limitations. The parameter vector to be estimated can be extracted directly from internal variables in the present algorithms without a backsolve operation with an extra triangular array. The results of computer simulation of the parameter identification of a two-channel system are presented to confirm efficiently the derivation.     

基于实测数据的海杂波K分布参数估计方法研究

针对海杂波K分布模型参数难以估计的特点,提出了一种自适应遗传求解算法。该算法利用相关熵作为适应度函数,按照自适应变异原则进行优化,实现了参数的准确估计。实测数据处理结果表明,该算法性能优于矩估计法和最大似然估计法,具有很高的估计精度和适应性,从而为最优检测算法设计提供依据。     

改进量子遗传算法辨识超混沌系统

混沌系统的参数辨识是非线性科学中混沌控制与同步的关键问题。提出改进量子遗传算法,该算法具有良好的全局搜索能力,将其应用在混沌系统参数辨识问题。通过尽量减小实际系统与数学模型的状态同步误差来构造适应度函数,将参数辨识问题转化为一个多维优化问题。对超混沌Chen系统进行研究,并与基本量子遗传算法比较。实验仿真结果表明,改进量子遗传算法的有效和可行性,为混沌系统辨识开拓了一种新方法。     

米波雷达低仰角测高方法研究

针对米波雷达低仰角测高问题,提出米波雷达低仰角测高解决方案和基于遗传交替投影算法的最大似然超分辨方法.仿真结果表明该方法的有效性和可行性.     

基于PEM法和GA的无人直升机模型辨识

无人直升机的数学模型是设计先进控制系统的基础,首先采用机理建模的方法分析了直升机的飞行力学特性,加入旋翼运动,并得到了参数化状态空间模型。辨识之前对实验数据进行野值识别,剔除,补正,滤波,去趋势项等处理,利用预报误差法进行系统辨识,再运用遗传算法对预报误差辨识结果进行优化,验证结果表明,达到辨识和优化的目的。     

一种LFM信号最大似然估计模型与参数估计快速算法

从最大似然估计模型入手,提出了一种适合在一般高斯噪声环境（包括色噪声）下LFM信号目标的参数估计模型和基于此估计模型的调频斜率和初始频率估计的快速算法。此方法获得了最大似然方法估计精度高的优点,且运算量比传统的最大似然方法大大降低。另外推导出了一般高斯环境下的LFM参数估计的CRB界,为一般高斯环境下的估计的参数的方差提供实际下界。     

一种改进的跳频信号参数估计方法

针对在跳频信号跳变时刻和跳变频率估计方面实时性和估计精度无法同时兼顾的问题,提出了一种基于短时傅立叶变换(STFT)和多重信号分类(MUSIC)算法的跳频信号参数估计方法。在建立跳频信号数学模型的基础上,利用STFT选取较大时间窗对整个信号在时域进行粗搜索,生成时频谱图,提取时频脊线从而获得跳变时刻,然后选取较小时间窗在已知跳变时间段利用STFT进行跳变时刻的细估计,并利用MUSIC算法进行频率的精确估计。该方法利用STFT的二次估计,减少了MUSIC搜索范围,从而降低了时间开销。仿真表明该算法的跳变时刻频率估计精度高,实时性能满足参数测量需求。     

改进的同轴线传输/反射法材料电磁参数测试

本文基于传统的同轴线传输/反射法,提出一种改进算法,并在2GHz^18GHz频率下反演计算聚四氟乙烯的电磁参数。首先根据HFSS建立仿真模型,其次运用MATLAB编写算法并不断修改提高精度,最终得到改进的反演算法误差小于5%,证明改进算法的有效性。     

Set-membership identification and filtering for signal processing applications

Optimal bounding ellipsoid (OBE) algorithms comprise a class of novel recursive identification methods for affine-in-parameters system and signal models. OBE algorithms exploit a priori knowledge of bounds on model disturbances to derive a monotonically nonincreasing set of solutions that are feasible in light of the observations and the model structure. In turn, these sets admit criteria for ascertaining the information content of incoming observations, obviating the expense of updating when data are redundant. Relative to classical recursive methods for this task, OBE algorithms are efficient, robust, and exhibit remarkable tracking ability, rendering them particularly attractive for realtime signal processing and control applications. After placing the OBE algorithms in the hierarchy of the broader set-membership identification methods, this article introduces the underlying set-theoretic concepts, compares and contrasts the various published OBE algorithms including the motivation for each development, then concludes with some illustrations of OBE algorithm performance. More recent work on the use of OBE processing infiltering tasks is also included in the discussion. The paper is a survey of a broad and evolving topic, and extensive references to further information are included.J.R.D. was supported in part by the National Science Foundation under Cooperative Agreement no. IBIS-9817485 and under grant no. MIP-9016734. Y.F.H. was supported in part by the NSF under grant no. 97-05173. Opinions, findings, or recommendations expressed are those of the authors and do not necessarily reflect the views of the NSF.