基于动态遗忘因子递推最小二乘法的永磁同步电机参数辨识算法

针对固定遗忘因子递推最小二乘法(RLS)在永磁同步电机参数识别中难以同时保证快速性和鲁棒性的问题,提出一种动态调节遗忘因子大小的递推最小二乘参数识别算法.分析了遗忘因子对RLS算法的影响特性,以理论模型与实际模型输出的差值为变量构建遗忘因子调节函数,实现遗忘因子动态调整.仿真结果表明,相比于固定遗忘因子RLS算法,改进...     

SF与RLS算法结合的时变系统参数辨识

遗忘因子最小二乘算法(RLS)具有对时变系统参数在线估计的能力,而传统的遗忘策略对解决参数辨识矩阵过饱和问题具有一定局限性.为了拓展现有RLS算法在时变系统的适用范围,提出一种将选择遗忘机制(SF)与RLS算法结合的时变系统辨识算法.从而构造出一种基于参数矩阵特征值映射的有界函数,特征值映射函数能够根据系统数据传递过程...     

一种具有PI结构的时滞系统APFC控制

提出了一种具有PI结构的时滞系统自适应预测函数控制（APFC）,该算法通过在性能指标函数中引入预测输出误差和预测输出增量误差,使最终形成的控制器具有比例-积分（PI）结构。结合了预测控制具有较好的处理时滞、快速跟踪和PID调节器抗干扰性强、鲁棒性强的优点,并且模型参数是通过带遗忘因子的递推最小二乘算法在线辨识得到。在具有时滞的工业过程数学模型上进行仿真研究,结果表明,该算法具有较好的跟踪效果、抗干扰能力和鲁棒性。     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。     

一种自调整模糊控制器的设计与仿真研究

提出了一种基于规则，参数自整定的模糊控制器的设计方法，它通过引入误差加权因子和误差变化率加权因子，以系统阶跃响应的上升时间和超调量为性能评价指标，并根据评价结果建立自适应算法，对模糊控制器的模糊推理规则及参数进行自调整。仿真结果进行表明，误差变化率加权因子以明显改善模糊控制器的稳定性，性能评价指标函数，模糊推理规则和参数调整算法简单实用，便于实现，对被控对象的参数变化具有较强的适应能力，控制效果良好。     

基于可变遗忘因子RLS的盲多用户检测

对于直扩码分多址系统,本文提出了一种新的基于可变遗忘因子RLS的自适应盲多用户检测器,它能够自适应地估计检测向量,既具有对时变信道的快速跟踪能力,又具有较小的估计误差。最后通过仿真验证了该方法的有效性,与固定遗忘因子RLS盲多用户检测器相比,新算法具有更高的输出信干比,并且动态环境下的跟踪能力明显提高。另外还研究了参数对性能的影响,为参数的选择作出参考。     

一种子空间辨识的广义预测控制算法

针对广义预测控制(GPC)模型中输入输出数据可能存在噪声和系统先验结构信息未知导致的难于辨识问题,提出了一种子空间辨识的广义预测控制算法。该算法采用变遗忘因子的子空间辨识方法,按照预测优化值与参考输出值的误差构造变遗忘因子,调整采集数据权重,进行在线辨识以提高灵敏度和控制效果。实验结果验证了所提出算法的有效性。     

汽车智能防撞自适应控制研究与仿真

针对汽车防撞模糊控制模型不能自动调整参数的缺点,建立汽车防撞自适应模糊推理模型。采用混合学习算法对自适应模糊推理模型的前提参数和结论参数进行辨识,以加速收敛。经模拟训练和仿真输出结果证明,该模型能够对汽车防撞模糊控制器隶属函数和模糊规则进行优化,较好地实现紧急报警情况下的汽车防撞自适应控制。     

隶属函数分布对Fuzzy-PI控制器动态性能的影响

为研究模糊控制器的隶属函数分布对Fuzzy-PI控制器动态性能的影响,达到优化Fuzzy-PI控制器动态性能的目的,以二阶系统为研究模型,用模糊控制器来修正比例系数Kp及积分系数Ki,根据PI控制器参数自整定原则,通过改变输入变量误差E及误差变化率EC的隶属函数分布,在MatlabSimulink环境下仿真Fuzzy-PI控制器的输出。通过数据分析,得出了变量误差E及误差化率EC的隶属函数分布对上升时间、最大超调量、调整时间影响的规律。     

变惯量负载的调速系统抗扰动速度控制器设计

针对使用永磁同步电机作为执行机构的高精度交流调速系统中存在负载惯量时变、转矩扰动和未建模动态的情况,利用带遗忘因子的递推最小二乘算法(FRLS)在线辨识系统时变参数,通过扩张状态观测器(ESO)观测参数辨识误差和未建模动态等非线性因素,设计一种集 PI 控制器、基于 FRLS 的补偿器、基于 ESO 的补偿器和鲁棒控制器的复合速度控制器,并分析了闭环调速系统的稳定性.仿真结果验证了该复合速度控制器的有效性.     

Recursive subspace identification subject to relatively slow time-varying load disturbance

In this paper, a recursive subspace identification method is proposed to identify linear time-invariant systems subject to load disturbance with relatively slow dynamics. Using the linear superposition principle, the load disturbance response is decomposed from the deterministic-stochastic system response in the form of a time-varying parameter. To ensure unbiased estimation of the deterministic system matrices, a recursive least-squares (RLS) identification algorithm is established with a fixed forgetting factor, while another RLS algorithm with an adaptive forgetting factor is constructed based on the output prediction error to quickly track the time-varying parameter of load disturbance response. By introducing a deadbeat observer to represent the deterministic system response, two extended observer Markov parameter matrices are constructed for recursive estimation. Consequently, the deterministic matrices are retrieved from the identified system Markov parameter matrices. The convergence of the proposed method is analysed with a proof. Two illustrative examples are shown to demonstrate the effectiveness and merit of the proposed identification method.     

一种具有快速跟踪能力的改进RLS算法研究

为了改善固定遗忘因子BLS(Recursive least-square)算法在时变系统中的跟踪性能,提出了一种改进的BLS算法.改进的BLS算法结合了可变遗忘因子的BLS算法和自扰动BLS算法,既克服了固定遗忘因子RLS算法中跟踪速度和参数失调的矛盾,而且也避免了当参数估值趋向于参数真值时,卡尔曼增益趋于零,从而BLS算法失去对时变系统的跟踪能力的问题.最后,在MATLAB平台下,对改进后的RIS算法进行了仿真验证.仿真结果表明,算法具有较快的收敛速度和跟踪速度以及较小的稳态误差.     

多变量输出误差系统的辅助模型随机梯度辨识算法

考虑了多变量输出误差系统的辨识问题. 使用系统可得到的输入输出数据构造一个辅助模型, 用辅助模型的输出代替信息向量中的未知变量, 提出了一个基于辅助模型的随机梯度辨识算法. 使用鞅收敛定理的收敛性分析表明: 提出的算法给出的参数估计收敛于它们的真值. 给出了带遗忘因子的辅助模型随机梯度算法来改进参数估计精度, 仿真结果证实了提出的结论.     

判决反馈均衡器中用的改进RLS算法

在高速水声通信系统中,由于多径传播而引起的码间串扰ISI是传输误码率增加的主要原因。判决反馈均衡器（DFE）是对抗码间串扰ISI的有效方法。为了获得码间串扰为零的传输,固定遗忘因子的最小二乘递归算法（RLS）通常被用于更新DFE的抽头向量,但是这种算法在非稳定环境中并不能取得最佳表现。该文在获取均衡误差最小的即时过程中推导出一种应用在DFE中的自适应遗忘因子RLS算法。计算机仿真证明此方法对比以往的固定遗忘因子算法或可变遗忘因子算法获得了较好的传输表现。     

Recursive identification of time-varying systems: Self-tuning and matrix RLS algorithms

In this paper, a new parallel adaptive self-tuning recursive least squares (RLS) algorithm for time-varying system identification is first developed. Regularization of the estimation covariance matrix is included to mitigate the effect of non-persisting excitation. The desirable forgetting factor can be self-tuning estimated in both non-regularization and regularization cases. We then propose a new matrix forgetting factor RLS algorithm as an extension of the conventional RLS algorithm and derive the optimal matrix forgetting factor under some reasonable assumptions. Simulations are given which demonstrate that the performance of the proposed self-tuning and matrix RLS algorithms compare favorably with two improved RLS algorithms recently proposed in the literature.     

Identification of discrete-time output error model for industrial processes with time delay subject to load disturbance

In this paper, a bias-eliminated output error model identification method is proposed for industrial processes with time delay subject to unknown load disturbance with deterministic dynamics. By viewing the output response arising from such load disturbance as a dynamic parameter for estimation, a recursive least-squares identification algorithm is developed in the discrete-time domain to estimate the linear model parameters together with the load disturbance response, while the integer delay parameter is derived by using a one-dimensional searching approach to minimize the output fitting error. An auxiliary model is constructed to realize consistent estimation of the model parameters against stochastic noise. Moreover, dual adaptive forgetting factors are introduced with tuning guidelines to improve the convergence rates of estimating the model parameters and the load disturbance response, respectively. The convergence of model parameter estimation is analyzed with a rigorous proof. Illustrative examples for open- and closed-loop identification are shown to demonstrate the effectiveness and merit of the proposed identification method.     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

A neurofuzzy scheme to on-line identification in an adaptive–predictive control

A neurofuzzy scheme has been designed to carry out on-line identification, with the aim of being used in an adaptive–predictive dynamic matrix control (DMC) of unconstrained nonlinear systems represented by a transfer function with varying parameters. This scheme supplies to the DMC controller the linear model and the nonlinear output predictions at each sample instant, and is composed of two blocks. The first one makes use of a fuzzy partition of the external variable universe of discourse, which smoothly commutes between several linear models. In the second block, a recurrent linear neuron with interpretable weights performs the identification of the models by means of supervised learning. The resulting identifier has several main advantages: interpretability, learning speed, and robustness against catastrophic forgetting. The proposed controller has been tested both on simulation and on a real laboratory plant, showing a good performance.