采用限家记忆区间最小二乘法辨识DC伺服电机系统非线性参数的方法

以ＤＣ伺服电机系统作为研究对象，提出了采用限定记忆最小二乘法辨识具有非线性参数的ＤＣ伺服电机系统动力学参数的新方法。     

限定记忆法辨识带钢热镀锌退火炉模型参数

最小二乘参数估计方法可用于线性的或非线性的系统参数辨识,包括动态的、静态的和参数的或非参数的模型辨识,其递推算法更是收敛可靠,简单实用。但是随着数据的不断增长,最小二乘的递推算法将失去修正能力,出现数据饱和现象,限定记忆最小二乘法解决了这一问题,并能得到无偏、一致、有效估计。以已建立的连续带钢热镀锌退火炉数学模型为实例,用限定记忆最小二乘法辨识连续带钢热镀锌退火炉模型参数。通过对限定记忆最小二乘法的研究,进行模型参数辨识,并给出辨识结果和分析,结果证明了该方法的优越性。     

具有限定记忆的辅助变量参数辨识法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计。可用于离线估计,也可用于在线估计。最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用。但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力。辅助变量递推算法解决了噪声的模型结构不确定且模型噪声是有色噪声时,最小二乘参数估计的元偏性和一致性问题,但依然存在数据饱和问题。为此在辅助变量递推算法的基础上引入限定记忆方式,获得了具有限定记忆的辅助变量参数估计递推算法,解决了辅助变量递推算法的数据饱和问题。仿真结果表明了该算法的有效性。     

含齿隙双电机伺服系统未知参数的两阶段辨识

针对含齿隙的双电机伺服系统,提出一种两阶段辨识法辨识双电机系统未知参数以及齿隙非线性环节的死区参数.针对电机转动惯量、等效粘性摩擦系数以及齿隙大小未知的情况,运用Legendre多项式将双电机伺服系统中的齿隙模型分段化,根据最小二乘法辨识双电机伺服系统参数.最后,通过仿真验证两阶段辨识法的有效性,验证结果表明,两阶段辨识法能够较准确地辨识电机参数和齿隙参数.     

基于正交最小二乘估计的非线性系统模糊辨识

提出了一种基于正交最小二乘的模糊模型结构和参数辨识方法．首先，基于正交最小二乘方法分析模糊模型的模糊关系矩阵．通过分析正交向量在模型中贡献的大小，确定模糊模型的结构，即确定模糊模型的规则数、规则．另外，再次通过正交最小二乘方法确定模糊模型的结论参数，实现模糊模型结构和参数的优化．为了证明该方法的有效性，采用该文方法对Box-Jenkins煤气炉数据系统进行建模研究，仿真结果表明该文方法能够对非线性系统进行辨识．     

多个未知时延的MISO系统的递推辨识

对于未知时延的多输入单输出（ＭＩＳＯ）系统,借助分离性原理,推导出迭代的可分离的非线性最小二乘（ＳＮＬＳ）辨识方法．为降低收敛于局部最小的可能性,利用全局优化理论,推导了全局可分离的非线性最小二乘（ＧＳＮＬＳ）辨识方法;为消除强观测噪声所引起的参数估计的偏差,将ＧＳＮＬＳ方法调整为一新颖的全局可分离的非线性多新息递推最小二乘（ＧＳＮＭＩＲＬＳ）辨识方法,仿真实验验证了算法的有效性．     

基于MATLAB的广义最小二乘参数辨识与仿真

针对参数辨识中最小二乘法（LS）存在的缺点,讨论了一种用迭代的松弛算法对最小二乘辨识的改进方法-广义最小二乘（GLS）辨识,并介绍了其基于Matlab的仿真和分析方法。首先简述参数辨识的概念、最小二乘法辨识存在的主要缺点和广义最小二乘法的基本原理,之后简要介绍了Matlab系统辨识工具箱及其中参数辨识的实现方法,最后结合实例给出相应的仿真程序及其结果分析,仿真结果表明：该方法辨识精度高,明显优于最小二乘辨识。     

支持向量机的多层动态自适应参数优化

首先提出了基于多层动态自适应搜索技术的最小二乘支持向量机参数优化方法，然后采用最小二乘支持向量机对典型非线性控制系统的辨识进行了研究．辨识结果表明，最小二乘支持向量机可以用于非线性控制系统辨识，多层动态自适应搜索方法确定了最优支持向量机参数，从而获得精确的非线性控制系统辨识结果．     

基于最小二乘法的中央空调空气处理系统的模型辨识及软件实现

空气处理系统是中央空调的主要组成部分,本文采用理论与实践结合的方法,运用最小二乘法和一种迭代的最小二乘法．对模型进行在线参数辨识。算法用vc＋＋实现,计算速度快,通过程序,得到了较好的模型拟合曲线。     

基于稳态非线性模型和线性ARX模型组合的非线性预测控制

通过点集映射来表示非线性系统的稳态模型,用系统的稳态增益来修正具有外界输入的线性自回归（AutoRegressive with eXternal input, ARX）模型的动态增益,提出了一种基于稳态非线性模型和线性ARX模型组合的非线性预测控制算法．该算法用递归最小二乘法在线辨识系统的动态模型参数,用序列二次规划算法求解目标函数．最后通过对典型化工非线性对象pH中和过程的仿真对本算法进行了验证．结果表明,本算法比广义预测控制算法具有更好的设定值跟踪性能和抗干扰能力．     

多个未知时延的ＭＩＳＯ系统的递推辨识

对于未知时延的多输入单输出（ＭＩＳＯ）系统,借助分离性原理,推导出迭代的可分离的非线性最小二乘（ＳＮＬＳ）辨识方法．为降低收敛于局部最小的可能性,利用全局优化理论,推导了全局可分离的非线性最小二乘（ＧＳＮＬＳ）辨识方法;为消除强观测噪声所引起的参数估计的偏差,将ＧＳＮＬＳ方法调整为一新颖的全局可分离的非线性多新息递推最小二乘（ＧＳＮＭＩＲＬＳ）辨识方法,仿真实验验证了算法的有效性．

     

含有色噪声的神经模糊Hammerstein模型分离辨识

针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性.     

一类非线性逆系统的加权最小二乘支持向量机辨识方法

文中依据T-S模型的思想,提出了一种加权最小二乘支持向量机辨识算法.它采用模糊c均值(FCM)聚类确定规则数目,通过Gauss型函数将原输入输出空间分成若干子空间,在子空间中使用最小二乘支持向量机(LS-SVM)拟合获得子模型,然后由一个权重机制合成这些子模型,得到系统的模型.文中使用该方法去辨识关键反馈变量难以获得的非线性逆系统.为了得到这类逆系统的有效建模数据,采用了联合逆系统方法.仿真结果表明,加权最小二乘支持向量机辨识方法是有效的,它能够实现这类非线性逆系统的辨识,而且拟合误差平稳,波动幅度小,拟合精度和泛化能力都较好.     

基于最小二乘支持向量机的T-S模型在线辨识

提出一种基于时间窗最小二乘支持向量机的T-S模型在线辨识算法，包括结构辨识和参数辨识．该算法以时间窗内数据的势能作为结构辨识依据，同时采用最小二乘支持向量机辨识系统参数：具有辨识速度快、精度高的特点．仿真结果证明了算法的有效性．     

时变迭合AR模型的参数估计*

首次提出了时变迭合ＡＲ模型,该模型在实际应用中具有广泛的应用价值．应用两步最小二乘法和限定记忆递推最小二乘法,给出了模型中时变参数的递推估计算法,该算法仅依靠量测数据即能自适应进行．仿真计算及应用结果表明：算法能够自适应地跟踪量测数据模型参数的变化,效果是令人满意的．     

飞机颤振模态参数辨识的频域广义整体最小二乘算法

采用一种适用于噪声环境的广义整体最小二乘算法,准确地辨识飞机的颠振模态参数．该算法结合有理传递函数模型,将带噪系统的辨识问题转化为广义整体最小二乘问题．利用线性的广义奇异值分解求解模型系数,避免了非线性优化的复杂计算．通过迭代法更新加权项,获得了接近于极大似然估计的辨识效果．最后利用试飞试验数据辨识飞机的模态参数,验证了该方法的有效性．     

现代温室温度系统在线建模

在分析温室温度系统机理模型的基础上,分别采用ARMAX 模型和ARIMAX 模型描述温度系统． 选择温室外温度、相对湿度、太阳辐射强度和风速作为系统扰动输入变量,选择温室内温度作为系统输出变 量．采用统计假设检验和模型拟合度分析相结合的方法确定模型结构,采用渐消记忆递推增广最小二乘法在 线辨识模型参数,并构造智能监督级监控在线建模过程．最后对4 输入或3 输入（忽略风速）的ARMAX 模型 或ARIMAX 模型相互组合,总计4 种模型的在线建模及仿真结果进行了对比分析．仿真试验结果表明,带智 能监督级的渐消记忆递推增广最小二乘在线建模能够较好地描述现代温室温度系统的动力学特性．     

一种新的线性分布参数系统辨识方法

本文应用块脉冲函数（ＢＰＦ）将含有未知参数的线性分布参数系统偏微分方程转换为矩阵方程，通过最小二乘法辨识线性分布参数系统的参数，辨识结果表明，ＢＰＦ辨识法具有原理简捷，实现方便，辨识精度高等优点。     

最小二乘法集合成员辨识

该文研究集合成员辨识方法,并利用最小二乘法（LS method)进行集合成员辨识。这个方法的特点是辨识在时域进行,先利用小二乘法作为计算工具,辨识出实际系统的标称模型,然后求出可行参数集。本方法计算量小,可行参数集比文献[3]的要小。     

有理模型辨识的两类新方法-----混合迭代与柔性最小二乘法

针对有理模型提出两类辨识方法.首先提出基于递阶辨识思想的混合辨识方法,将模型分解为分子和分母两个子模型,分别用最小二乘法辨识分子参数,用粒子群算法和智能多步长梯度迭代算法辨识分母参数.由于降低了模型维数,且信息向量与噪声不相关,相对于传统的偏差补偿最小二乘算法,混合迭代法可以提高辨识精度并降低计算量.然后,为消除模型结构已知的假设,且充分利用最新数据更新系统参数,提出柔性递推最小二乘辨识方法,将有理模型转化为时变参数系统,进而辨识出时变系统的参数.仿真例子验证了所提出方法的有效性.