基于T-S模糊模型的直接自适应预测控制

提出一种基于T-S模糊模型的直接自适应预测控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型的后件参数。用已经辨识好的参数,进行直接迭代计算,直接得到模型的预测输出。此算法很好地解决了非线性预测控制中,建模与优化两大难题,为非线性系统的高精度控制提供了保证。计算机仿真表明,该算法具有较好的跟踪性能。     

基于RLS的改进双线性模型的稳定性分析

双线性多项式的非线性特征只能靠输入-输出交叉项表达,无法精确地表达高阶非线性系统.为此,对改进双线性多项式模型的稳定性进行了研究.利用迭代最小二乘法辨识改进双线性模型的参数,在复数域中,推导该算法的迭代公式,并验证了系统模型的稳定性.结果表明,通过迭代最小二乘法辨识得到的系统模型为有界输入-有界输出稳定.     

系统辨识(8):耦合辨识概念与方法

耦合辨识是系统辨识的一个重要分支,是新近发展和提炼形成的一种辨识概念,主要用于研究结构复杂的参数耦合线性和非线性多变量系统的辨识问题.辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念是本文作者提出的一些新的辨识研究思路、理念和方法,分别能够用于研究存在未知过程变量的不可测系统的辨识,能够提高辨识方法的收敛速度和参数估计精度,能够解决结构复杂、大规模多变量系统及参数耦合多变量系统的辨识问题、减小辨识算法的计算量.首先介绍多变量系统耦合辨识概念,在此基础上讨论多变量系统的几种(全)耦合最小二乘辨识方法、(全)耦合随机梯度辨识方法、部分耦合随机梯度辨识方法、部分耦合最小二乘辨识方法等,最后说明耦合辨识方法可推广用于有色噪声干扰多变量系统的辨识,并列出了一些多变量系统模型结构,阐述了耦合辨识概念可以结合辅助模型辨识思想、多新息辨识理论、递阶辨识原理、迭代搜索原理(梯度迭代、最小二乘迭代、牛顿迭代)等来研究线性或非线性多变量系统的辨识问题     

基于改进最小二乘算法的船舶操纵性参数辨识

为了解决船舶操纵性参数辨识问题,考虑了船舶运动时域的非线性和非平稳的特点,提出了一种快速收敛迭代学习最小二乘算法,提高了参数辨识速度和精度。首先建立了船舶操纵一阶和二阶非线性运动响应模型,并将其离散化;然后采用迭代学习思想,并引入P型学习率改进了递推最小二乘算法进行参数辨识;同时分析了该算法的收敛性;最后进行了相关实验。实验结果证明了该算法的可行性和有效性。     

离散动态系统参数的稳健辨识

工程技术和经济系统线性离散数学模型的最小二乘法辨识受观测数据的异常值影的很大,必须加强系统辨识的稳健性。本文讨论了运用数理统计中的多元线性回归稳健估值来辨识系统参数,提出两个措施:(1) 采用加权最小二乘的迭代算法,加权系数是由M—估计的特球函数来确定;(2) 利用Tiku提出的改进型极大似然法来估计均值。据此,文章给出了参数稳健辨识的算法程序。三个实例证明该法有效、简单、方便。     

系统辨识(7)：递阶辨识原理与方法

递阶辨识是系统辨识的一个重要分支.递阶辨识原理是在大系统递阶控制的“分解-协调原理”基础上发展起来的,它不仅能够解决参数数目多、维数高、大规模系统辨识算法计算量大的问题,而且能够解决结构复杂的双线性参数系统、多线性参数系统以及非线性系统的辨识问题.首先介绍递阶辨识原理和线性方程组Ax=b的著名雅可比迭代和高斯-赛德尔迭代,给出了线性方程组的迭代方法族;其次将雅可比迭代思想和递阶辨识原理用于研究一般矩阵方程和耦合矩阵方程的递阶梯度迭代求解方法和递阶最小二乘迭代求解方法;再次介绍了方程误差模型的两阶段最小二乘辨识方法(一个简单的递阶辨识方法)和线性回归模型的递阶最小二乘辨识方法;最后研究了类多变量CARMA系统的递阶辨识方法.     

传递函数辨识(8):基于正弦响应的参数估计方法

针对不同极点惯性环节并联系统和不同极点惯性环节串联系统,利用多频组合正弦信号作为输入,通过测量系统的输出数据,基于二次优化和非线性优化技术,推导了估计传递函数参数的最小均方算法、随机梯度算法、多新息随机梯度算法、递推梯度算法等,并与梯度迭代算法、牛顿迭代算法相结合,提出了辨识传递函数参数的耦合递推—迭代辨识算法,文中的方法可以推广用于其他传递函数描述的动态系统参数辨识,如具有共轭极点、重极点传递函数参数的辨识以及任意非线性函数的参数估计。     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

辨识方法的计算效率(2):迭代算法

讨论了最小二乘迭代辨识算法及其计算效率问题.最小二乘迭代算法由于涉及矩阵求逆运算,为减小计算量,提出了基于块矩阵求逆的最小二乘迭代辨识算法.基于块矩阵求逆的最小二乘迭代辨识算法不是一种新算法,只是从辨识算法的实现方式上降低计算负担,它与最小二乘迭代算法产生相同的参数估计,但计算量小.文中研究了伪线性回归系统、多元伪线性回归系统、多变量伪线性回归系统的最小二乘迭代辨识算法及其基于块矩阵求逆的最小二乘迭代算法.     

基于T-S模糊模型的水轮机调节系统辨识

针对水轮机调节系统的复杂性、非线性和难以用明确数学模型表达的特点,建立了该系统的T-S模糊模型.考虑到T-S模糊模型的结构与参数间的密切关联性,提出基于混沌优化策略的结构和参数一体化辨识.该方法用混沌优化策略辨识模型的前件参数,用最小二乘法辨识模型后件参数,实现了模糊模型结构的自适应优化.试验结果表明,该T-S辨识模型具有较高的辨识精度及较强的泛化能力,实现了水轮机调节系统的有效辨识.     

短序列多项式相位信号的参数估计

恒定幅度的多项式相位信号(PPS)由其相位多项式系数表征。针对短序列PPS参数估计的困难,在介绍基于高阶模糊函数(HAF)和乘积高阶模糊函数(PHAF)参数估计算法的基础上,通过对该算法的估计效果特别是短序列情况的分析,提出短序列PPS参数估计的一般方法和对该算法的改进。Monte-Carlo仿真表明,改进算法改善了PPS参数估计的效果,同时提高了运行效率。     

基于多项式变换的自适应Chirp信号参数估计

提出了一种新的基于多项式变换的RLS(recursiveleastsquare)算法。利用多项式变换将多项式相位信号(PPS)转变为具有线性相位的谐波信号,这一谐波信号满足AR(Autoregressive)模型且其频率对应于多项式相位的最高次项系数。然后利用RLS算法对AR模型的AR系数进行自适应估计,通过AR系数求解谐波信号频率,便可以获得多项式相位中最高次项的系数。本算法速度快,计算量小,并且在较低的信噪比(SNR)下估计性能依然良好。Monte Carlo仿真实验证明了本方法的有效性。     

Student’s t滤波框架下的信息融合算法

针对多传感器系统的观测噪声为非高斯噪声的问题,通过Student’s t滤波框架和四元数特性相结合,以无迹变换计算Student’s t加权积分函数,设计基于Student’s t分布的无迹四元数滤波算法,作为局部滤波算法. 利用拉格朗日乘子法计算最优融合权重系数,通过线性加权融合的方式,对各局部滤波结果进行融合. 采用基于四元数的目标姿态运动模型进行仿真,利用3个星敏感器同时对同一目标进行观测,通过与已有的鲁棒无迹Student’s t滤波（RSTUF）算法对比,验证所提算法的有效性. 仿真结果表明：所提算法在对目标姿态的估计精度、滤波收敛速度及收敛后的数值稳定性方面均高于RSTUF算法;通过多个观测信息互补,提高了估计精度及容错性.     

解对称正定线性方程组的二阶迭代法及其收敛性

本文给出了解对称正定线性代数方程组Ax=b的一类迭代法,本算法以矩阵A的自然分裂为基础,采用代参数的二步线性迭代法为主迭代过程(称为外迭代),以任一收敛的迭代法为内迭代过程,联合产生迭代序列{x_K},从而提高了收敛速度。本文还证明了收敛性并给出了误差估计。     

基于局部多项式拟合的网格简化算法

为了提高网格简化后的三角形质量,提出了一种新的基于顶点局部多项式曲面拟合的三角网格简化算法.用三次多项式曲面拟合网格上的每个顶点及其局部邻域,计算每条边折叠的误差估计,衡量了顶点到拟合曲面的偏离程度,在算法的每次迭代中删除网格上误差估计最小的边,直到网格的顶点个数减到预先给定的数字.基于Laplace算子,增加顶点约束以及顶点邻域重心约束条件，对简化网格作一次线性整体优化.结果表明,该算法保留了更多的网格细节特征,在简化网格的三角形质量方面优于Garland的二次误差度量算法.该算法可用于快速构建模型的细节层次（LOD）模型.     

增长曲线模型回归系数的线性经验 Bayes 估计

给出了增长曲线模型参数矩阵的线性经验Ｂａｙｅｓ估计，同时得到了它的渐近最优的收敛速度．     

快变信道环境下的MIMO OFDM系统信道估计算法

为了实现对快变信道环境下的多输入多输出正交频分复用(MIMO OFDM)系统信道估计,提出了一种基于多项式的基扩展模型(BEM),并联合迭代判决反馈并行干扰抵消(PIC)检测的信道估计算法.利用BEM将信道估计转化为对少量模型参数估计的特性,并结合PIC检测算法,以达到精确信道估计和消除载波间干扰的目的.仿真结果表明,该算法与传统最小二乘、线性最小均方误差信道估计算法相比,在误码率约为10-3时,信噪比增益为5dB左右.此外,新算法不需要知道信道的时域统计特性,且采用了移相正交导频设计,在一定程度上降低了信道估计的复杂度.     

有限域上乘法噪音多项式插值算法的改进

对J. von zur Gathen和I.E.Shparlinski提出的有限域上乘法噪音多项式插值算法进行了分析,提出了改进算法．利用L.Babai最近向量格归约算法得到更精确的估计向量,再计算出插值多项式的倍数多项式的系数,从而计算出原插值多项式的系数．改进算法降低了原算法中有限域阶的下界,对较小阶有限域上的多项式也可以进行乘法噪音插值．     

关于周期序列的线性复杂度

提出了在特征为p的有限域上,周期为N=nm^v(p为素数,且gcd(n,p)=1的序列的线性复杂度可由（1－^nN)的不同约分解中因子的次数及在s^N(x)以序列的前N个数字作为系数而构成的多项式）中的重数来确定,讨论了Hasse导数与序列的线性复杂度的关系,在此基础之上,给出了Games-Chan算法的另外一种推导。     

带L1规划的广义线性模型中的一种系数估计法

介绍了L1规划广义线性模型（GLM）的一种系数估计法,估计系数的同时进行变量选择,从而确立模型。事实上,此算法用来选择变量更有用,L1规划法按照对系数一范数的惩罚来选择变量,是向前选择变量法的一种改进,运用凸优化的预测—修正法,GLM系数估计法可有效地算出系数,其中规划参数的步长对控制系数精确性至关重要,本文对三种步长选择法作了相应的比较和分析,接着给出算法的推广。最后总结算法并且对这种估计法的应用范围进行了展望。