基于Kalman滤波的储备池多元时间序列在线预报器

针对多元非线性时间序列, 结合回声状态网络和Kalman滤波提出一种新的在线自适应预报方法. 该方法将Kalman滤波应用于回声状态网络储备池高维状态空间中, 直接对网络的输出权值进行在线更新, 省去了传统递归网络扩展Kalman滤波中Jacobian矩阵的计算, 在提高预测精度的同时令算法的适用范围得到扩展. 在回声状态网络稳定时给出所提算法的收敛性证明. 仿真实例验证了所提方法的有效性.     

基于PC104的糖厂澄清工段pH值监控系统

针对糖厂澄清工段的特殊生产环境,设计出以PC104作为控制器的pH值监控系统,结合少量外围电路以及经典的PID算法,实现对糖厂澄清工段pH值的在线测量与监控,并使用VC++6.0设计出了良好的监控界面,并通过实际测试证明,基于PC104的糖厂澄清工段pH值监控系统,友好直观的人机交互界面提高了现场的可操作性,使糖厂澄清工段pH值监控系统的整体性能得到提升。     

强跟踪延迟滤波算法及其在感应电机无速度传感器控制中的应用

在强跟踪滤波(Strong track filter, STF)算法和延迟扩展Kalman滤波(Schmidt extended Kalman filter, SEKF)算法的基础上, 提出了强跟踪延迟滤波(Strong track Schmidt filter, STSF)算法, 结合感应电机降阶模型建立了电机状态估计算法, 将其应用于感应电机无速度传感器控制系统中, 并与扩展Kalman滤波(Extended Kalman filter, EKF)、SEKF和STF三种算法的状态估计性能作比较. 仿真和实验结果表明, STSF算法在估计精度、跟踪速度、抑止噪声等方面均优于EKF算法, 并且计算复杂度显著降低, 能有效在线估计电机转速和磁链.     

启发式动态规划在糖厂澄清工段pH值控制中的应用

糖厂澄清工艺是一个复杂的物理化学反应过程,具有强非线性、时变大时滞、多输入输出等特点,对其建立精确的数学模型和实现pH值的稳定控制非常困难.为此,基于模糊神经网络和启发式动态规划(HDP)控制器,构建了模糊神经网络模型.该模型的具体实现过程是将HDP优化方法应用于澄清工段,模拟试验装置中的中和pH值控制.试验表明,该控制系统取得了很好的控制效果,具有很强的鲁棒性.     

基于ELM的硫熏强度软测量模型

硫熏强度是亚法糖厂澄清工段的关键工艺参数之一;硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高;目前由于缺乏合适的硫熏强度在线测量装置,该参数主要采用人工取样和离线化验的检测方式,化验滞后时间较长,难以根据该指标及时指导实际生产的问题;为此文章采用极限学习机(ELLM)方法建立了硫熏强度软测量模型,并与基于支持向量机(SVM)、径向基函数(RBF)神经网络和反向传播(BP)神经网络的硫熏强度软测量模型进行对比分析;结果显示,基于ELM的硫熏强度软测量模型具有训练收敛速度快、模型精度高和泛化性能好等优点,可以满足实际糖厂澄清工段的要求.     

基于广义预测一碳饱充过程的控制研究

糖厂澄清工段一碳饱充过程是一个具有强非线性、多输入等特点的复杂系统,存在很多不确定因素,所以一直以来都没有很好地解决澄清过程的稳定控制问题.针对上述问题,采用数据的建模方法,对糖厂澄清工段一碳饱充进行BP神经网络建模,然后把模型作为广义预测控制的预测模型,将广义预测控制算法对糖厂澄清工段一碳饱充进行优化控制.在Matlab上进行仿真,结果表明,BP神经网络的广义预测控制算法具有鲁棒性强、控制精度高等优点,并使糖厂澄清工段一碳饱充系统输出很快稳定到设定值,实现了优化控制,减少能耗.     

考虑气象因素的短期电力负荷预测研究

针对如何提高短期电力负荷预测精度的问题,提出基于核主成分分析法(Kernel principal component analysis,KPCA)和改进的回声状态网络(Echo state network,ESN)算法相结合的方法对短期电力负荷进行预测研究。通过卡尔曼滤波(Kalman filtering,KF)方法训练回声状态网络的输出权值,引入修正因子对卡尔曼滤波的协方差矩阵进行修正,从而实现回声状态网络结构参数的调整,获得理想的网络结构模型。采用Lyapunov理论验证了改进回声状态网络算法的收敛性。采用核主成分分析法对气象因素进行降维处理,获得能够体现数据信息的主元信息。通过UCI(University of California Irvine)数据集仿真对比,验证了该算法相比于ESN、SVM(Support vector machine)、BP(Back propagation)、GA(Genetic algorithm)等算法具有更高的预测精度。在考虑气象因素的前提下,对短期负荷预测进行仿真实验,实验结果显示在正常天气和存在气象突变的情况下,改进的回声状态网络算法较GA-ESN和GA-BP算法有更高的预测精度,验证了该方法的实用性。     

基于RBFNN的硫熏强度软测量建模

硫熏强度是亚法糖厂澄清工段非常重要的一个工艺指标,硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高。由于目前尚缺乏合适的硫熏强度在线测试仪,人工化验滞后时间较长,难以根据该指标及时指导生产。为此,提出了一种基于糖厂澄清过程大量离/在线历史数据的硫熏强度软测量方法,分别建立基于径向基函数神经网络(RBFNN)、BP神经网络方法和广义动态模糊神经网络(GDFNN)的硫熏强度软测量模型。通过对模型的性能进行对比分析,说明了基于RBFNN硫熏强度软测量模型的优越性。     

GPS非线性估计中无导数卡尔曼滤波研究

在GPS领域应用的非线性估计方法中,扩展Kalman滤波(EKF)存在稳定性差、计算量大等缺陷.基于非线性变换思想的UKF(Unscented Kalman Filtering)中状态方差阵易失去半正定性.本文引入了一种无导数卡尔曼滤波-基于重复确定性采样的平方根UKF(Square Root-Unscented Kalman Fiher.SR-UKF)估计方法,并对其状态方差阵及随机噪声方差阵Cholesky分解更新公式做了改进,避免了导数的运算,有效地确保方差阵及其平方根的正定性从而抑止了发散.将这种无导数卡尔曼滤渡应用于GPS/DR组合导航系统的状态估计上,仿真结果表明本文所改进的方法在滤波的精度和鲁棒性上均优于EKF和UKF.     

基于ESN的污水处理过程优化控制

针对污水处理过程能耗过高的问题,提出了一种基于状态回声网络(ESN)的在线优化控制方法。建立了污水处理过程预测模型,实现性能指标的预测;根据系统的状态以及预测的性能指标,采用ESN实时优化控制变量的设定值;将优化后的设定值传送给底层控制器进行跟踪控制。将ESN优化控制方法在污水处理过程基准仿真模型(BSM1)上进行了验证,实验结果表明,该方法不但能够满足出水水质的要求,而且降低了污水处理过程运行成本。     

基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。     

一种深度回声状态网络的输入尺度自适应算法

深度回声状态网络是回声状态网络与深度学习思想的结合,合理选取不同谱半径的内部状态矩阵和弱积分参数能有效增强深度回声状态网络的多尺度时域特性。利用数据可视化分析输出矩阵在不同网络层中的分布关系,发现高层网络中部分神经元处于饱和工作状态且该状态抑制了网络动态预测能力。提出一种深度回声状态网络的输入矩阵自适应算法,在对网络内部状态的均值和方差进行递推估计的基础上判断神经元饱和状态,通过自适应调整各层输入权重的值来增强神经元动态性。数值计算结果表明,基于输入尺度自适应算法的深度回声状态网络相对同等规模的单层回声状态网络对于动态系统的预测精度有成倍提升。     

A new self-learning optimal control laws for a class of discrete-time nonlinear systems based on ESN architecture

A novel self-learning optimal control method for a class of discrete-time nonlinear systems is proposed based on iteration adaptive dynamic programming(ADP)algorithm.It is proven that the iteration costate functions converge to the optimal one,and a detailed convergence analysis of the iteration ADP algorithm is given.Furthermore,echo state network(ESN)architecture is used as the approximator of the costate function for each iteration.To ensure the reliability of the ESN approximator,the ESN mean square training error is constrained in the satisfactory range.Two simulation examples are given to demonstrate that the proposed control method has a fast response speed due to the special structure and the fast training process.     

Modeling and control of McKibben artificial muscle enhanced with echo state networks

There has been a challenging work for using conventional techniques to model and control pneumatic artificial muscle (PM) due to poor knowledge and uncertainty of the process and/or complexity of the resulting mathematical model. Trying to deal with these problems, this study proposes a novel framework—Echo State Network (ESN) as a basis to implement the tasks in the PM's modeling and control. To describe the system dynamics and the external disturbance changes with time, the online ESN adaptation scheme is presented based on the recursive least squares (RLS) algorithm. Both simulation and experimental results show that the proposed procedure has better dynamic performance and strong robustness over the other typical/classical approaches.     

基于粒度分布评估与优化的制粒过程 PSO-BP 控制算法

针对钢铁烧结中混合料粒度分布无法在线测量、难以实现混合制粒过程优化控制的问题,提出基于 粒度分布评估函数(Evaluation model of granularity distribution, EMGD)的混合制粒优化控制算法. 首先,根据烧结生产历史数据和混合料筛分实验数据建立粒度分布BP神经网络(BP neural network, BPNN)评估模型; 然后,以该模型为目标函数,以制粒过程状态参数的边界为约束条件,采用粒子群算法(Particle swarms optimization, PSO)计算粒度分布优化值; 最后建立基于BPNN的制粒水分设定模型,根据粒度分布优化值和当前配重实现水分优化控制. 仿真实验和工业应用表明评估模型真实反映了粒度分布对料层透气性的影响; PSO-BP粒度分布优 化控制算法对改善透气性、减少燃料损耗、稳顺烧结生产具有重要意义.     

结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。     

基于小世界回声状态网的时间序列预测

为了提高时间序列的预测精度, 提出了利用改进的小世界网络优化泄露积分型回声状态网(Leaky-integrator echo state network, Leaky ESN)的时间序列预测方法. 首先提出一个改进型小世界网络, 其加边概率是节点间距离的负指数函数. 然后, 利用加边概率直接表示Leaky ESN储备池两个神经节点的连接权值, 取值范围为[0,1], 表征了节点间的连接程度. 利用这个新型小世界网络改进Leaky ESN的储备池神经节点的连接方式, 有目的地实现了稀疏连接, 减小了Leaky ESN储备池随机稀疏连接的盲目性, 提高了储备池的适应性.最后, 利用改进的Leaky ESN预测典型的非线性时间序列, 并利用Matlab仿真软件验证了本文提出方法的有效性. 与Leaky ESN相比, 本文提出的方法具有更高的预测精度和更短的训练时间.