基于改进PSO的非对称BoucWen模型参数辨识

为了辨识压电陶瓷中的迟滞非线性,该文提出一种改进的粒子群算法(PSO)对非对称BoucWen模型进行参数优化。首先在归一化BoucWen模型中引入非对称因子描述非对称特性,解决该模型只适用于描述对称迟滞的问题。其次通过引入混沌映射、收缩因子和动态学习因子来对传统PSO进行改进,动态改变粒子群的权重和学习因子,有效地提高算法的搜索能力和收敛速度。最后通过改进的PSO对非对称BoucWen模型进行参数辨识。结果表明,改进的粒子群算法能较好地辨识BoucWen模型参数,验证了方法的有效性。     

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...     

一种改进的PSO算法在PID参数优化中的应用

PID控制器具有结构简单、容易实现、控制效果好、鲁棒性强等特点,其关键在于PID参数的优化。微粒群优化算法是一种进化计算技术,其优点是速度快且简单易实现。改进的PSO算法,是在基本PSO算法的基础上引入了遗传算法的思想。仿真实验表明,改进的粒子群算法显著提高了PSO算法的全局搜索能力。     

基于回归算法的证件物品识别器参数辨识模型

证件物品管理识别器参数辨识存在局部最优现象,噪声干扰下辨识精度下降,提出基于回归算法的证件物品管理识别器参数辨识模型.将证件物品管理识别参数输出误差平方和,代入粒子群算法适应度函数,通过粒子群优化算法实时更新粒子个体最优值以及全局最优值,初步辨识证件物品管理识别器参数,并将所获取结果作为支持向量回归算法迭代初始值,利用...     

基于人工蜂群算法的船舶运动模型参数离线辨识

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中的人工蜂群算法引入到船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了人工蜂群算法求解船舶运动模型参数辨识的适应性;给出了采用人工蜂群算法进行船舶运动模型参数辨识的流程。以响应型船舶运动模型参数辨识为例,仿真研究显示,将船舶运动模型参数辨识问题转化成优化问题,通过人工蜂群算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究过程及结果表明,文中的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

基于改进PSO-SMO的模型参数辨识及应用

目前,大多数智能辨识方法只考虑辨识系统的输出值,不能辨识模型的参数.对此,研究了基于线性核函数支持向量机的辨识算法,对模型参数和输出同时进行辨识.在此基础上,采用改进的PSO-SMO算法以提高辨识速度和精度.将该方法用于ARX模型和长期预测模型的参数辨识中,结果表明,该算法比其他算法具有更高的准确性.     

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

非线性系统辨识在侦察接收机中的应用

雷达对抗侦察接收机在接收、截获脉冲信号的同时,也改变了脉冲信号的原始包络。这些改变不符合雷达辐射源识别的高精度要求。通过理论计算定性分析接收机对脉冲信号包络的不利影响,并提出利用非线性系统辨识理论中的最小二乘支持向量回归（LSSVR）算法获取接收机逆系统模型,以便恢复包络信息,最后通过仿真试验说明该方法的有效性。     

Volterra级数模型辨识算法的改进研究

本文研究了 Volterra级数模型全解耦辨识算法,提出Volterra级数模型并行辨识算法的设计思想,设计了并行算法.实验和仿真结果表明,该算法能有效减小模型的在线辨识时间,能有效克服Volterra级数模型辨识中的维数灾难问题,且收敛速度快、稳态精度高,有利于实现工程应用.     

Parameter Identification Methods for an Additive Nonlinear System

This paper deals with parameter identification methods for an additive nonlinear system with a preload nonlinearity and a piece-wise nonlinearity. By using a switching function, we transfer the model of the additive nonlinear system into an identification model, and propose a recursive least squares algorithm and two modified stochastic gradient (SG) algorithms to estimate the parameters of the identification model. The simulation results indicate that the proposed methods converge faster than the SG algorithm.     

改进粒子群算法在四旋翼PID参数优化中的应用

采用试凑方式对四旋翼飞行器PID控制参数人工进行调整工作量大、费时且难以达到较好的控制效果。为了解决控制参数优化问题,提出基于带交叉因子的粒子群算法(PSO)的PID参数优化策略。将带交叉因子的粒子群算法能快速准确找到最优参数解的特点与PID控制结合起来,在控制过程中将PID参数作为粒子群中的粒子,用遗传算法对粒子进行选择、保优、交叉,以ITAE准则作为误差性能指标,用粒子群算法调整PID参数,得出最优的粒子作为四旋翼飞行器的PID控制器参数。仿真结果显示,该方法具有更强的灵活性、适应性和鲁棒性,并能提高控制系统的精度,具有很好的工程应用价值。     

基于Kernel-SOM的非线性系统辨识及模型运行收敛性分析

该文提出基于核SOM(Kernel-SOM)的非监督非线性系统辨识方法。在辨识误差和系统初始输入误差同时存在的条件下,对Kernel-SOM辨识模型独立运行的收敛性进行了理论分析,并给出了辨识模型运行收敛的定理。数字仿真表明了所述方法的有效性及收敛定理的正确性。     

水下控制系统参数辨识的研究

根据水下控制系统的设计需要,针对原控制模型参数不够精确的问题,提出了用卡尔曼滤波对模型参数进行辨识的方法。用卡尔曼滤波算法对某航行体控制系统的辨识进行了仿真实验,论述了探测信号和初值对算法的收敛速度及估计精度的影响,该方法能提高控制模型的准确性,又能节约试验费用,从总体上提高了该水下控制系统研制过程的工作效率及在航行中的控制性能。     

基于粒子群优化算法的BSIM SOI模型参数提取

本文给出一种基于粒子群优化算法的BSIM SOI MOSFETs模型参数提取方法.该方法采用全局优化策略,计算简单,对初值依赖性低,使用浮点数编码方法,避免了数码转换时所出现的误差.与遗传算法参数提取相比,粒子群优化算法无需进行交叉、变异等操作,容易理解,易于实现,且收敛速度更快.对用该方法得到的参数值代入器件模型进行了计算,计算结果与测试结果吻合很好.本方法亦可用作对其他种类的MOSFETs进行全局参数提取.     

改进K-means模型在电力系统用户行为分析中的应用

针对电力信息系统用户行为分析的问题,提出了一种基于改进K-means聚类模型的电力信息系统用户行为分析方法。该方法把基于单词向量特征的改进K-means聚类模型应用于电力信息系统用户行为分析,解决了传统K-means算法通过随机选出聚类中心质点的方式得到的聚类结果范围波动较大、迭代次数较多、耗费时间较长以及稳定性较差的问题,优化后的算法聚类内距整体缩小,迭代次数也大幅度减少,提升了主动服务信息推送的精准性。     

非线性回归模型参数估计的区间分析方法

现有很多方法都属局部搜索方法,不能保证得到问题的全部全局最优解,而基于区间分析的区间全局优化算法则能在给定精度范围内求出问题的全部全局最优解,并能给出满足要求的包含最优解的任意小区间。基于此,给出了非线性回归模型参数估计的区间全局优化算法,论述了算法求解问题的基本思想、解算步骤、基本算法和加速工具等,并将其应用于非线性回归模型参数估计中,仿真实验结果验证了所给算法的可行性和有效性．     

具有Hammerstein模型特征的非线性远程预报辨识

为提高内河船舶远程通信预警功能的精度和可靠性,提出了具有非线性预测控制模型特征的远程复杂目标预报辨识算法。通过将远程复杂目标的辨识分解为一个静态非线性环节和动态线性环节的串联,利用稳态信息获取稳态模型的一致性估计,并通过动态模型获得非线性静态环节的增益,再利用奇异值分解法和动态信息辨识获取非线性系统未知参数的估计。仿真结果验证了该方法的有效性。