改进块式递推偏最小二乘建模方法及应用

针对传统偏最小二乘(PLS)模型的在线更新问题,提出了带有自适应遗忘因子的块式递推PLS建模方法.通过Hotelling-T2和Q统计量确定遗忘因子的大小,并且进行模型递推更新,确保模型跟踪过程特性的变化.将所提出的方法应用于管坯斜轧穿孔能耗过程,表现出较强的模型在线更新能力.测试结果表明,带有自适应遗忘因子的块式递推PLS方法的性能优于传统的迭代偏最小二乘方法的性能.     

GM（n，h）模型建模序列数据数乘变换特性研究

基于数乘变换是灰色系统建模过程中数据处理的基础,讨论了ＧＭ（n,h）模型与其他几类灰色模型的内在联系．将各类灰色模型统一于共同的分析体系,并在此基础上研究了数乘变换对ＧＭ（n,h）模型参数取值的影响．指出了模型的模拟和预测值只与因变量的数乘变换有关,而与自变量的变换无关．最后分析了几个特殊灰色模型的数乘变换性质,该结果对研究系列灰色模型参数特征有重要意义．

     

可重构模块机器人分散容错控制

针对可重构模块机器人的执行器故障,提出一种基于自适应模糊系统的分散被动容错控制方法．该方法不需要机器人动力学模型与模块之间的信息交换,模块控制器分别采用间接和直接自适应方法设计,自适应参数的更新律基于Ｌｙａｐｕｎｏｖ稳定性理论设计,保证了系统的稳定性和H_∞ 跟踪性能．数值仿真结果表明了所提出方法的有效性．

     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度慢,计算量大,不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.

     

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．

     

多元系统耦合带遗忘因子有限数据窗递推最小二乘辨识方法

针对多元线性或非线性回归系统, 将耦合辨识思想与带遗忘因子有限数据窗辨识理论相结合, 提出一种耦合带遗忘因子有限数据窗递推最小二乘辨识算法. 该算法每次递推计算时既不涉及矩阵求逆运算, 又可以克服数据饱和现象, 因此, 该算法不仅计算效率高, 而且可以快速地跟踪时变参数, 获得精确的参数估计. 通过辨识基于多元模型的永磁同步电机参数的实例, 验证了所提出算法的有效性和实用性.

     

基于递归最小二乘支持向量机的动态系统建模研究

针对递归最小二乘支持向量机的递归性易导致建模中偏微分方程组求解困难的问题,提出用解析法求解偏微分方程组,实现了完整的递归最小二乘支持向量机模型．首先分析了各参数的相关性,然后推导出偏微分方程的解析表达式并求解．仿真实例表明,在动态系统建模中,该模型的性能比常用的串并联模型以及现有不完整递归最小二乘支持向量机模型的精度更高、性能更好．

     

多个未知时延的ＭＩＳＯ系统的递推辨识

对于未知时延的多输入单输出（ＭＩＳＯ）系统,借助分离性原理,推导出迭代的可分离的非线性最小二乘（ＳＮＬＳ）辨识方法．为降低收敛于局部最小的可能性,利用全局优化理论,推导了全局可分离的非线性最小二乘（ＧＳＮＬＳ）辨识方法;为消除强观测噪声所引起的参数估计的偏差,将ＧＳＮＬＳ方法调整为一新颖的全局可分离的非线性多新息递推最小二乘（ＧＳＮＭＩＲＬＳ）辨识方法,仿真实验验证了算法的有效性．

     

模糊随机决策环境下的核电站不常用条件（Q，r）库存模型

针对固定提前期内的需求为三角模糊变量,且用户总需求为梯形模糊随机变量的情形下,构建了不常用备件连续盘点模式下的（Q,r）模型,并推导出模糊成本最小化函数,进而利用基于模糊数期望值理论的去模糊化方法,求出最优订货点及订货量．最后,通过一个实例验证了模型的科学性和实用性．

     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

多变量系统的耦合梯度辨识算法与性能分析

针对多变量系统维数大、参数多、一般的辨识算法计算量大的问题, 基于耦合辨识概念, 推导多变量系统的耦合随机梯度算法, 利用鞅收敛定理分析算法的收敛性能. 算法的主要思想是将系统模型分解为多个单输出子系统,在子系统的递推辨识过程中, 将每个子系统的参数估计值耦合起来. 所提出算法与最小二乘算法和耦合最小二乘算法相比, 具有较少的计算量, 收敛速度可以通过引入遗忘因子得到改善. 性能分析表明了所提出算法收敛, 仿真实例验证了算法的有效性.

     

一种基于滑动库的多模型在线建模方法

针对未知边界的复杂非线性系统,提出一种基于滑动库的多模型在线建模方法．该方法首先结合滑动库思想,利用系统输入输出数据在线确定输入空间的边界,使其不需要准确知道系统输入空间的边界,减小了对先验信息的依赖性;然后,基于模糊划分的方法对输入数据在线聚类;最后,基于最小二乘法建立局部模型,并根据数据对局部模型的参数进行更新．仿真结果表明了该方法处理未知边界非线性系统在线建模问题的有效性．

     

受复杂多通道通信约束的网络化系统H2/H∞滤波

多通道网络化系统中每个通道存在不尽相同的网络不确定性因素, 使得H₂/H_∞ 滤波更加困难. 对此, 提出一种受多通道通信约束的网络化系统滤波方法. 首先, 基于最大数据包错序思想解决了传感器到滤波器之间的复杂多通道通信约束的问题; 然后, 建立了更加普适的融合多通道通信约束的滤波误差动态系统模型, 证明了在已知最长网络延时和最大连续丢包数情况下, 所设计的滤波器可使系统随机稳定且满足??2/??∞ 性能指标. 仿真结果表明该方法可行且有效.

     

基于连续故障模型的Ｄｅｌｔａ算子系统可靠鲁棒H∞ 控制

研究具有执行器故障的Ｄｅｌｔａ算子线性不确定系统的可靠鲁棒H_∞ 问题．设计控制器,确保在执行器发生故障时闭环系统仍能保持鲁棒稳定,且满足给定的H_∞ 指标．针对执行器连续故障模型,运用线性矩阵不等式方法,得到Ｄｅｌｔａ算子系统α-次优可靠鲁棒H_∞ 状态反馈控制器的存在条件和设计方法,并进一步给出了Ｄｅｌｔａ算子系统最优可靠鲁棒H_∞ 控制器的设计方法．数值算例表明,该设计方法是有效而可行的．

     

基于SVR 的惯性/卫星组合导航系统故障诊断方法

在惯性/卫星组合导航系统中, 针对传统X² 检验法检测出故障但无法准确识别故障子系统的不足, 提出一种基于支持向量回归的故障诊断方法. 采用残差X² 检验法实时对组合导航系统进行故障检测, 并构建基于支持向量机的回归预测模型, 实现对惯性导航系统状态的预测; 根据系统模型输出和预测模型输出之差辅助进行惯性导航系统的故障判别, 诊断出系统故障源. 仿真结果表明, 所提出的方法能够快速准确地识别故障子系统, 并进行有效的系统隔离和重构, 从而使组合导航系统的性能得到保障.

     

一种新的灰色预测模型及其建模机理

为了提高灰色模型的预测精度,并拓展其应用范围,针对具有近似非齐次指数律特征的数据序列,构建了一种新的灰色预测模型ＮＧＭ（１,１,k）．通过最小二乘法求出了新灰色模型参数的计算公式,以微分方程作为演绎推理工具,得到了该模型的时间响应序列函数,并对其建模精度进行了理论和实验分析．研究结果表明了所提出的灰色模型的有效性和适用性．

     

基于变异精密搜索的蜂群聚类算法

针对K-means 聚类算法过度依赖初始聚类中心、局部收敛、稳定性差等问题, 提出一种基于变异精密搜索的蜂群聚类算法. 该算法利用密度和距离初始化蜂群, 并根据引领蜂的适应度和密度求解跟随蜂的选择概率P;  然后通过变异精密搜索法产生的新解来更新侦查蜂, 以避免陷入局部最优; 最后结合蜂群与粗糙集来优化K-means. 实验结果表明, 该算法不仅能有效抑制局部收敛、减少对初始聚类中心的依赖, 而且准确率和稳定性均有较大的提高.

     

基于观测器的非线性系统H∞模糊可靠控制

研究了基于观测器的非线性系统H_∞模糊可靠控制问题.采用T-S模糊模型对非线性系统进行建模,用模糊观测器重构系统状态.在系统发生故障时满足给定H_∞性能的约束下,最小化正常情况下的H_∞性能,实现次优H_∞模糊可靠控制.提出了两种应用线性矩阵不等式(LMI)的H_∞模糊可靠控制器设计方法.分别采用两步法和相似变换法将双线性矩阵不等式问题转化为LMI问题.仿真示例验证了所提出方法的有效性.

     

Delta算子不确定系统扩展参数依赖H∞控制

研究了含有多面体参数摄动Delta算子系统的参数依赖H∞控制问题.基于Delta算子系统有界实引理"提出了扩展参数依赖H∞性能准则.利用该准则,以参数化的线性矩阵不等式形式给出了参数依赖H∞控制器存在的充分条件,并通过求解优化问题设计控制器.研究结果表明该方法保守性较低,且物理概念清晰.数值示例验证了所提方法的有效性.

     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．