核学习自适应预测控制器的在线更新方法

针对非线性过程控制器的设计问题,将基于稀疏核学习的一种具有解析形式的自适应预测控制算法与选择性递推核学习相结合.该在线核学习模型可以通过递推算法进行节点增长和删减的有效更新.因此,所提出的控制器复杂度可控,且能学习过程的时变等特性,从而获得更好的性能.通过一非线性时变过程的仿真研究,验证了所提出的核学习控制器较传统的PID和无在线更新的核学习控制器等具有更好的自适应能力和鲁棒性.     

基于二阶相似度的即时学习软测量建模方法

针对即时(惰性)学习模型频率降低间接导致的精度下降问题,提出一种二阶相似性的即时学习方法。该方法综合顾及到样本集的整体分布特性,在传统一阶相似度准则的基础上建立二阶相似度准则,采用与测试样本具有绝大部分相同近邻的二阶相似样本建立当前时刻的模型;同时将累计相似度因子用于建立局部模型时样本量的确定,并采用相似度阈值的方式判断此刻模型是否需要重新建立。该方法在青霉素发酵过程产物浓度的预测实验中得到了有效的验证。     

基于递推闭环子空间辨识的自适应预测控制方法

针对存在噪声干扰与时变特性的线性系统的模型不确定性问题,提出了一种基于递推闭环子空间辨识的自适应预测控制方法.通过结合PID(proportional-integral-derivative)控制采用新的目标函数,对闭环子空间预测控制算法进行改进,推导出具有类似PID结构的闭环子空间预测控制算法;采用固定输入输出数据集大小的递推方法将改进后的算法在线实施,通过采用一种简单直观的更新方法代替LQ分解,有效提高了在线计算效率.最后,通过仿真实验验证了方法的有效性.     

面向直流电机模型时变参数的在线辨识方法

在直流电机建模优化问题的研究中,由于直流电机的时变参数随现场工况的变化而变化,导致采用离线辨识方法无法估计直流电机的系统模型,针对直流电机系统参数的时变性,提出一种直流电机时变参数的在线辨识策略.依据直流电机的电势平衡方程和转矩平衡方程,得到直流电机的传递函数,转化为电动机角速度和电压之间的差分方程,然后,采用递推最小二乘算法进行在线辨识,从而实现直流电机系统模型在线辨识的目的.搭建直流电机在线辨识系统实验平台,采用改变直流电机载荷的方式,进行了在线实时辨识的实验,实验结果表明:改进方法辨识效果良好,较好地实现了直流电机在参数时变的情况下,辨识效果良好,辨识模型较好地跟踪系统参数的变化.     

重构样本下改进飞机油耗预测方法

为精准预测固定机型飞机燃油消耗量,针对飞机油耗数据受多种外界因素影响而存在复杂非线性的问题,提出一种重构样本下飞机油耗增强自适应差分进化相关向量机(enhanced fitness adaptive-differential evolution-relevance vector machine,EFADE-RVM)的预测方法.通过引入相似输入产生相似输出的即时学习算法选择相关样本集形成重构样本,利用增强自适应差分进化算法优化相关向量机核函数参数,解决核函数参数选择困难的问题,建立飞机油耗预测模型.实验结果表明,所提模型的飞机油耗预测精度高,具有更好的预测性能.     

基于递阶分解聚类的非线性系统递推模糊辨识

提出一种基于递阶分解聚类的递推模糊辨识方法．采用半模糊化方法对论域内的样本进行归类,根据各子集“线性化”程度评判模糊聚类的有效性,通过对性能最差的子集进行分解并辨识新增子模型的参数,逐步完成整个样本空间的模糊划分和模型辨识过程．在线辨识时采用递推最小二乘算法对模糊规则进行修正,同时可根据建模精度的要求删除性能最差的规则,并确立新模糊规则．仿真研究表明了该方法的有效性．     

基于JITL的电量预测高斯软测量建模研究

为了解决工业过程受本身结构特征、外界因素等影响而存在严重的非线性和时变性等问题,本文提出了一种基于输入输出综合性相似度指标的即时学习高斯过程软测量建模方法。在该方法中,将样本数据进行归一化处理,首先利用传统的基于距离和角度的相似度指标分别对样本输入输出变量进行相似度计算,进而对相似度进行综合,最后选择出最终的相关样本集,建立高斯过程回归软测量模型,将所提基于输入输出相似度指标的即时学习高斯工程软测量模型应用于城市日用电量数据的预测。研究结果表明,所提出的软测量建模方法可以实现对日用电量数据的高精度预测且预测结果具有较小的误差。因此可表明该方法可在电量预测中具有一定的应用可靠性,可以在电力市场预测分析中得到广泛的应用。     

在线鲁棒最小二乘支持向量机回归建模

鉴于工业过程的时变特性以及现场采集的数据通常具有非线性特性且包含离群点,利用最小二乘支持向量机回归（least squares support vector regression,LSSVR）建模易受离群点的影响.针对这一问题,结合鲁棒学习算法（robust learning algorithm,RLA）,本文提出了一种在线鲁棒最小二乘支持向量机回归建模方法.该方法首先利用LSSVR模型对过程输出进行预测,与真实输出相比较得到预测误差;然后利用RLA方法训练LSSVR模型的权值,建立鲁棒LSSVR模型;最后应用增量学习方法在线更新鲁棒LSSVR模型,从而得到在线鲁棒LSSVR模型.仿真研究验证了所提方法的有效性.     

选矿过程精矿品位自适应在线支持向量预测方法

本文提出了一种基于支持向量回归的选矿过程精矿品位自适应在线预测方法,通过使用新的混合核函数和参数在线更新机制提高了精矿品位的预测精度.在分析经典核函数特性后,构造了一种混合核函数以兼顾模型的学习能力与泛化能力,同时为了提高预测方法对选矿生产动态过程的适应性,模型依据新工况样本对现有样本集统计特性的影响,引入了模型参数自适应调整机制,并采用在线迭代学习机制更新模型,提高了模型的计算速度.使用某选矿厂生产实际数据进行实验分析,结果表明本文方法比现有方法在计算时间和预测精度上都有明显优势,适合应用于动态变化的选矿生产过程.     

基于多样性加权相似度的集成局部加权偏最小二乘软测量建模

针对传统即时学习软测量方法仅考虑单一的相似度函数,难以有效处理复杂工业过程中的非线性特性,从而导致模型预测性能受限的问题,提出了一种基于多样性加权相似度（DWS）的集成局部加权偏最小二乘（LWPLS）软测量建模方法.首先采用随机子空间法和高斯混合聚类,构建一组多样性的训练样本子集;然后通过偏最小二乘回归分析确定输入特征权值,从而定义一组多样性加权相似度函数.在线实施阶段,对于任意的查询样本,基于多样性的相似度指标,可建立一组多样性的LWPLS软测量模型,随后引入集成学习策略实现难测变量的融合预测.在数值例子和脱丁烷塔过程中的应用结果表明了该方法的有效性.     

一种非线性模型的在线辨识方法

提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和。并把此非线性系统模型表示成模糊模型的形式，用在线调节模糊模型的方法来辨识时变线性模型的相关参数。在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数，仿真算例表明了此算法的有效性与良好的实用价值。     

机场终端区RF信号深度调制识别方法

论文构建了24种不同信号调制类型的数据集,并提出一款端到端的信号调制识别神经网络.研究了网络卷积层数、卷积核以及训练数据集大小对信号调制识别性能的影响.所提方法避免了基于特征提取的信号调制识别方法中所需的特征选择、信号同步、载波跟踪、信噪比估计等繁杂的处理流程.最后,引入迁移学习技术解决因信道环境变化导致网络识别性能下...     

Identification of nonlinear time-varying systems using an online sliding-window and common model structure selection (CMSS) approach with applications to EEG

The identification of nonlinear time-varying systems using linear-in-the-parameter models is investigated. An efficient common model structure selection (CMSS) algorithm is proposed to select a common model structure, with application to EEG data modelling. The time-varying parameters for the identified common-structured model are then estimated using a sliding-window recursive least squares (SWRLS) approach. The new method can effectively detect and adaptively track and rapidly capture the transient variation of nonstationary signals, and can also produce robust models with better generalisation properties. Two examples are presented to demonstrate the effectiveness and applicability of the new approach including an application to EEG data.     

Integrated soft sensor using just-in-time support vector regression and probabilistic analysis for quality prediction of multi-grade processes

Multi-grade processes have played an important role in the fine chemical and polymer industries. An integrated nonlinear soft sensor modeling method is proposed for online quality prediction of multi-grade processes. Several single least squares support vector regression (LSSVR) models are first built for each product grade. For online prediction of a new sample, a probabilistic analysis approach using the statistical property of steady-state grades is presented. The prediction can then be obtained using the corresponding LSSVR model if its probability of the special steady-state grade is large enough. Otherwise, the query sample is considered located in the transitional mode because it is not similar to any steady-state grade. In this situation, a just-in-time LSSVR (JLSSVR) model is constructed using the most similar samples around it. To improve the efficiency of searching for similar samples of JLSSVR, a strategy combined with the characteristics of multi-grade processes is proposed. Additionally, the similarity factor and similar samples of JLSSVR can be determined adaptively using a fast cross-validation strategy with low computational load. The superiority of the proposed soft sensor is first demonstrated through a simulation example. It is also compared with other soft sensors in terms of online prediction of melt index in an industrial plant in Taiwan.     

基于子空间辨识的模型预测控制策略及其应用

针对化工过程中普遍存在的非线性和时变特性, 提出了一种基于递推子空间辨识的自适应预测控制策略.用子空间辨识法得到的预测模型作为初始模型, 通过比较初始模型和在线更新模型的匹配误差, 选择匹配误差较小的预测模型计算过程的输入, 从而提高了模型精度. 通过模拟移动床过程控制的仿真试验, 表明该方法具有较强的鲁棒性和抗干扰能力.     

A new information-weighted recursive algorithm for time-varying systems: application to UAV system identification

This paper presents a new recursive identification method which can efficiently estimate time-varying parameters in discrete time systems and has significant advantages over standard recursive least-squares (RLS) method. This new information-weighted recursive algorithm for time-varying systems has three novel features, discounting of inaccurate estimates through weighting by the Information matrix, using the reuse of past data in computing current parameter estimates, a new tuneable damping factor parameter and a precisely designed compensation term to neutralise the estimation error caused by time-varying coefficients. A rigorous proof of convergence is also provided. Simulations show that the new algorithm significantly outperforms standard RLS, exhibiting better tracking performance and faster convergence. Flight tests on a T-REX 800 helicopter Unmanned Aerial Vehicle platform show that it gives system parameter estimates that are accurate enough and converge quickly enough that flight controllers can be designed in real-time based on the online identified model.     

Fusion of GRNN and FA for Online Noisy Data Regression

A new online neural-network-based regression model for noisy data is proposed in this paper. It is a hybrid system combining the Fuzzy ART (FA) and General Regression Neural Network (GRNN) models. Both the FA and GRNN models are fast incremental learning systems. The proposed hybrid model, denoted as GRNNFA-online, retains the online learning properties of both models. The kernel centers of the GRNN are obtained by compressing the training samples using the FA model. The width of each kernel is then estimated by the K-nearest-neighbors (kNN) method. A heuristic is proposed to tune the value of Kof the kNN dynamically based on the concept of gradient-descent. The performance of the GRNNFA-online model was evaluated using two benchmark datasets, i.e., OZONE and Friedman#1. The experimental results demonstrated the convergence of the prediction errors. Bootstrapping was employed to assess the performance statistically. The final prediction errors are analyzed and compared with those from other systems.