非均匀采样数据系统的一种辨识方法

阐述了非均匀采样方案,推导了非均匀多率采样系统的状态空间模型,进一步获得了对应的传递函数模型.为解决辨识模型信息向量中存在未知变量的问题,使用辅助模型技术,用辅助模型的输出代替系统的未知变量,进而提出了非均匀采样数据系统的辅助模型随机梯度辨识算法.为了提高算法收敛速度和改善参数估计精度,在算法中引入遗忘因子,给出了相应的辅助模型带遗忘因子随机梯度算法.仿真结果表明,引入遗忘因子后,算法的收敛速度加快,参数估计精度提高.     

一般双率随机系统状态空间模型及其辨识

对于双率采样数据系统,本文使用提升技术,推导了双率系统的提升状态空间模型.对于系统状态可测量的双率系统,利用最小二乘原理辨识提升系统模型的参数矩阵;对于状态不可测的未知参数双率系统,利用递阶辨识原理,提出了双率系统递阶状态空间模型辨识方法,来辨识系统的状态和参数.具体做法:基于获得的状态估计和提升系统的输入输出数据递归估计系统参数,然后基于获得的参数估计,计算系统的状态.     

非均匀采样数据系统的故障检测

针对目前涉及较少的非均匀采样数据系统故障检测研究,研究了一类基于观测器的故障检测滤波器设计问题;对于非均匀采样数据系统,首先利用提升技术推导出系统的提升状态空间模型,然后选用基于未知输入观测器的故障检测滤波器来作为残差产生器;同时给出一种故障检测滤波器设计的H_∞最优化设计方法,并给出其最优解及存在条件;最后通过一个示例进行验证,结果证明了该方法的有效性;该方法能够有效地实现对非均匀采样数据系统的故障的检测。     

非均匀多采样率非线性系统的模糊辨识

针对非均匀多采样率非线性系统辨识问题, 提出一种基于模糊模型的辨识方法. 首先, 分析了非线性系统在输入信号非均匀周期刷新, 输出信号周期采样的情况下, 非线性系统可以通过提升技术, 利用多个局部的线性模型加权组合来描述; 然后, 提出一个基于GK模糊聚类和递推最小二乘的模糊辨识算法; 最后, 针对化工pH 中和过程非线性系统, 采用非均匀采样数据建立其模糊模型, 以验证所提出方法的有效性.

     

非均匀采样系统的一种递推辨识方法

在非均匀采样系统辨识方法中, 通常利用重采样、数值积分等方法来处理非均匀采样数据, 所用模型多为连续有理分式传递函数, 在递推形式下非均匀采样对象又常局限于``数据缺失'的情况. 本文研究更为一般的异步非均匀采样的多变量系统, 采用连续时间状态空间模型描述, 推导了模型参数、参数梯度和系统状态之间的相互递推关系, 构成一种可变迭代间隔的递推辨识算法, 在每次输出采样点上仅更新模型中受当前采样数据影响的参数. 这种辨识方法可以适用于任意非均匀采样系统, 多采样率系统也可作为一种特例适用于本算法. 仿真结果表明, 所提的方法是可行有效的.     

基于KRLS的非均匀采样非线性系统辨识

利用提升技术可将非均匀采样非线性系统离散化为一个多输入单输出传递函数模型,从而将系统输出表示为非均匀刷新非线性输入和输出回归项的线性参数模型,进一步基于非线性输入的估计或过参数化方法进行辨识.然而,当非线性环节结构未知或不能被可测非均匀输入参数化表示时,上述辨识方法将不再适用.为了解决这个问题,利用核方法将原始非线性数据投影到高维特征空间中使其线性可分,再对投影后的数据应用递推最小二乘算法进行辨识,提出基于核递推最小二乘的非均匀采样非线性系统辨识方法.此外,针对系统含有有色噪声干扰的情况,参考递推增广最小二乘算法的思想,利用估计残差代替不可测噪声,提出核递推增广最小二乘算法.最后,通过仿真例子验证所提算法的有效性.     

非均匀采样数据系统时变故障估计与调节最优集成设计

针对一类发生连续时变故障的非均匀采样数据系统,建立了一套主动容错控制最优设计方案. 首先,为了实现基于非均匀离散采样输出对连续故障的估计,同时鉴于现有自适应故障诊断方法无法直接推广于非均匀采样数据系统,提出一种连续时间增广观测器最优设计方法,既能保证故障估计误差快速收敛同时又对外界干扰鲁棒;并且提出一个迭代算法对故障估计延迟与系统鲁棒性进行权衡;进一步地,基于所获得的故障信息,并考虑估计误差和时变故障内采样特性对容错控制带来的不利因素,设计基于状态反馈的非均匀采样容错控制器来快速恢复故障系统性能;最后,通过对四容水箱基准实例的仿真来验证所提方法的有效性.     

非均匀采样多率ARMAX系统RELS算法性能分析

针对一类有色噪声干扰的非均匀采样多率ARMAX系统的辨识问题,基于增广参数维数理论,将系统模型参数化,将信息向量中含有的不可测噪声项用其估计残差代替,推导了非均匀采样ARMAX系统的递推增广最小二乘（RELS）算法;利用鞅收敛定理对该算法的收敛性进行了理论分析,结果表明该算法在噪声方差有界和广义持续激励的条件下能够收敛到真参数。仿真例子验证了该算法具有良好的收敛速度与估计精度。     

基于子空间方法的非均匀周期刷新和采样系统辨识

针对非均匀周期刷新和采样系统的建模问题, 对于含有提升变量的状态空间模型, 提出基于子空间技术的辨识方法. 首先, 通过系统的采样数据建立由Hankel 矩阵组成的扩展状态空间方程; 然后, 利用斜交投影的原理、方法和奇异值分解, 通过子空间辨识算法确定增广观测矩阵和状态向量, 通过最小二乘方法确定模型的参数矩阵; 最后, 通过仿真实例表明了所提出算法的有效性.

     

一类不规则损失输出数据系统的自校正PID控制算法

针对输出误差模型描述的不规则损失输出数据系统,提出一种自校正PID控制算法。首先结合辅助模型辨识思想和最小二乘原理设计参数估计器,在线估计系统参数,并设计一个损失输出估计器来估算采样间损失输出,使控制系统得到一个具有与期望输出相同采样周期的反馈信号;再根据系统参数的估计值实时调整自校正PID控制器参数,使系统实际输出跟踪期望输出,实现自校正PID控制。仿真结果验证了该算法的有效性。     

输出信号量化的双率采样系统参数辨识方法

针对双率采样和信号量化(signal quantization)[BFQB]的控制系统,采用随机重复性试验测量信息,提出基于辅助模型的双率采样量化控制系统辨识方法.分析了在随机重复试验和放松估计误差方差条件下,双率采样量化系统的模型特征并给出了分两步辨识的策略,推导了进行参数辨识所满足的持续激励条件,并给出了基于辅助模型的双率采样量化控制系统量化辨识递推算法;接着分析了所给出量化辨识递推算法的收敛性,得到了双率采样量化系统参数估计误差上界的计算式,最后数字仿真验证了该算法及结论的有效性.     

基于RBF-ARX模型的预测控制在液位系统中的应用

针对单容液位系统紊流时的非线性特征,研究了基于RBF-ARX模型预测控制策略控制单容液位系统;讨论RBF-ARX模型结构的选取,模型参数辨识,RBF参数优化,基于RBF-ARX模型的预测控制策略等问题;模型的仿真结果,证实了RBF-ARX模型在非线性系统建模和辨识中的有效性;同基于全局线性ARX模型的预测控制器和PID控制器相比较,基于此模型的预测控制取得了优异的控制效果。     

Development and validation of a biodynamic model for predicting multi-finger movements in cylinder-grasping tasks †

This article describes the development and validation of a model for predicting multi-finger movements in grasping activities. The model builds upon a newly proposed approach that incorporates forward dynamics and a system identification procedure, and is amenable to empirical tests. A database of multi-fingered grasping movements performed by 28 subjects was established and divided into four sets, one for model development and three for model validation. In the development phase, model parameter values were estimated by the iterative system identification procedure through a physics-based heuristic algorithm. The estimated parameter values were then statistically synthesised and integrated into the prediction model. In the validation phase, the model was applied to three novel datasets containing different grasping movements involving objects of varied sizes and different subjects. The results demonstrated the model's ability to predict hand prehensile movements with error magnitudes comparable to the inter-person variability in performing such movements. New insights into the control of multi-fingered hand prehensile movements at the systems and joint levels emerged from the model development and validation process. The current study contributes to building a foundation for long-term development of realistic biodynamic simulation of multi-finger hand movements. Such simulation capabilities will aid in design of hand-operated tools, devices or hand-intensive work for proactive ergonomics and in evaluation as well as treatment of functional impairment of the hand.     

一类非齐次时变线性模型及自适应预测控制策略

通过分析系统闭环预测存在的缺陷，为了改善系统的预测性能、便于系统辨识和实现自适应控制，提出了一类适合于一般非线性系统的非齐次时变线性模型，给出并证明了其存在性定理。而后给出了这类非齐次时变线性模型的渐消记忆递推最小二乘参数估计，推出了基于该类模型的自适应预测控制算法。仿真结果表明基于该类模型的自适应预测控制策略具有优良的控制品质。     

一维云模型系统的逼近性研究

针对云模型的基本原理,提出了一类云模型系统的设计方法,并利用Stone-Weierstrass定理对在3σ 正态分布随机数条件下的云模型系统任意逼近紧集上的任意连续实函数进行了证明, 是对云模型应用于逼近任意连续非线性函数理论的创新,也是今后云模型系统用于系统辨识和控制的理论依据.     

Identification and control of nonlinear systems by a time-delay recurrent neural network

In this paper, we first present a novel time-delay recurrent neural network (TDRNN) model by introducing the time-delay and recurrent mechanism. The proposed TDRNN model has special advantages such as simple structure, deeper depth and higher resolution ratio in memory. Thereafter, we develop the dynamic recurrent back-propagation algorithm for the TDRNN. To guarantee the fast convergence, the optimal adaptive learning rates are also derived in the sense of discrete-type Lyapunov stability. More specifically, a TDRNN identifier and a TDRNN controller are constructed to perform the identification and control of the nonlinear systems. Numerical experiments show that the TDRNN model has good effectiveness in the identification and control for dynamic systems.     

An efficient hierarchical identification method for general dual-rate sampled-data systems

For the lifted input–output representation of general dual-rate sampled-data systems, this paper presents a decomposition based recursive least squares (D-LS) identification algorithm using the hierarchical identification principle. Compared with the recursive least squares (RLS) algorithm, the proposed D-LS algorithm does not require computing the covariance matrices with large sizes and matrix inverses in each recursion step, and thus has a higher computational efficiency than the RLS algorithm. The performance analysis of the D-LS algorithm indicates that the parameter estimates can converge to their true values. A simulation example is given to confirm the convergence results.     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。     

采用Brent优化的核学习单步预测控制算法

针对非线性SISO系统, 提出一种基于核学习辨识模型的单步预测控制算法(kernel learning one-step-ahead predictive control, KLOPC). 通过KL辨识模型得到系统的一步超前预报值, 并引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差, 以此构造一步加权预测控制性能指标, 然后采用Brent一维搜索方法求取控制律. 该方法无需任何相关的导数信息, 需调整的参数少, 求解效率高. 在一非线性液位系统的仿真研究表明了KLOPC优于整定的PID和其它基于KL模型的控制方法, 对噪声和扰动等均具有更好的鲁棒性和自适应性.     

Adaptive-Predictive Control of a Class of SISO Nonlinear Systems

In this paper, an adaptive-predictive control algorithm is developed for a class of SISO nonlinear discrete-time systems based on a generalized predictive control (GPC) approach. The design is model-free, based directly on pseudo-partial-derivatives derived on-line from the input and output information of the system using a recursive least squares type of identification algorithm. The proposed control is especially useful for nonlinear systems with vaguely known dynamics. Robust stability of the closed-loop system is analyzed and proven in the paper. Simulation and real-time application examples are provided for real nonlinear systems which are known to be difficult to model and control.