用于线性时变系统辨识的固定长度平移窗投影估计递推子空间方法

给出了一个新的用于线性时变参数结构系统模态参数识别的基于固定长度平移窗投影估计的递推子空间方法。首先推得基于平移窗投影估计的子空间跟踪算法,以代替奇异值分解,再推得系统数据矩阵的一阶修正形式,从而得到新的基于平移窗投影估计的递推子空间方法。该方法可有效地降低算法的计算量。最后通过刚度随时间变化的3自由度系统和一具有移动质量的机械臂系统的时变模态频率辨识仿真表明该方法可有效地辨识线性时变系统的伪模态参数。

非线性时变系统开闭环P型迭代学习控制的收敛性

对于非线性时变系统，给出了其开闭环Ｐ型迭代学习控制收敛的充要条件．这些收敛条件与被控系统状态方程的具体形式无关．对比表明。

多变量线性时变系统的特征模型及自适应模糊控制方法

对于阶数及参数未知的高阶系统,如何设计一个工程上易于实现的低阶控制器,以实现有效的高性能控制,这是目前航天等领域亟待解决的问题。该文采用将对象特征和控制性能要求相结合的方法,对多输入—多输出高阶线性时变系统和一类非线性时变系统从理论上详细推导出了其特征模型,在此基础上设计了基于特征模型的稳定的自适应模糊广义预测控制方案。由于控制结构中使用了分层模糊系统,从而减少了模糊规则数目。通过对一个挠性航天器控制的仿真实验验证了所给方法的有效性。

基于时变NARMA模型的非线性时变系统辨识

在非线性自回归滑动平均模型NARMA(NonlinearAutoRegressiveMovingAverage)中引入时间变量,将其扩展为时变NARMA模型,用Taylor展开将模型中的非线性函数展开为关于输入输出的多项式,得到关于参数线性时变的多项式形式的时变NARMA模型,再用基序列拟合模型的时变参数得到关于参数线性时不变的模型,最后用递推最小二乘法估计模型参数。仿真算例证明,与小波网络方法相比,辨识精度高,计算量小。

一类线性时变系统的输出反馈控制

基于线性时不变系统能控能观标准型变换及非线性系统高增益观测器方法,本文研究了一类线性时变系统的输出反馈控制问题.通过引入时变的状态变量坐标变换,分别设计了线性时变系统的状态反馈控制器、状态观测器以及基于状态观测器的输出反馈控制器.进一步地,本文分别证明了观测器动态误差是渐近收敛于零的,而状态反馈控制器以及输出反馈控制器可以保证闭环系统的渐近稳定性.

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性时变系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷 ,提出一种基于回归神经网络的非线性时变系统的辨识算法。针对现有的回归网络学习算法大多采用梯度算法 ,收敛速度缓慢问题 ,提出一种具有快速收敛性的扩展卡尔曼滤波学习算法 ,大大提高了学习收敛速度 ;并推导了一种基于单个神经元的局部化算法 ,减少了计算量。仿真实例证明 ,所提出的算法是有效的。

一类非线性时变系统的鲁棒输出跟踪控制

研究一类具有非匹配不确定性的非线性时变系统的鲁棒状态反馈输出跟踪控制器设计问题。通过引入非线性时变系统的相对阶将系统输入输出线性化 ,然后设计出一种基于标称系统和不确定性上界的连续型鲁棒输出跟踪控制器。利用该方案设计的控制器可保证整个闭环系统是一致有界稳定的 。

一种新的线性时变系统区间稳定性判别方法

线性时变系统在自动控制的理论和应用方面都有重要的意义。对这类系统,目前已有多种方法对其进行研究。其中利用时变系统区间矩阵的上下界的性质来判断其稳定性的方法,即所谓的M矩阵法是重要的方法之一。利用矩阵相似变换和向量比较原理研究了线性时变系统区间稳定性问题,在M矩阵法的基础上,提出了新的判别方法,扩大了原有方法的应用范围,使稳定区域的保守性进一步降低。特别是对某些原来M矩阵法无法分析的系统,提出了更具有应用价值的方法,并给出示例,验证了该方法的正确性。

线性时变系统的区间稳定性与鲁棒稳定性

本文应用向量比较定理研究线性时变系统的区间稳定性和具非线性时变摄动的线性时变系统的鲁棒稳定性．所得的新结果包含文献［４，８，１１，１５］的一些主要结果作为特例．本文的研究方法说明向量比较方法是分析区间稳定性和鲁棒稳定性的一种自然而有力的工具．

基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的"数据饱和"现象。为了克服"数据饱和"问题,首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服"数据饱和"。

非线性时变系统的稳定性

研究非线性时变系统的稳定性问题。通过引入具有齐次导数的时不变 L yapunov函数和近似系统的概念 ,给出一般非线性时变系统的零解渐近稳定的两个充分条件。应用实例显示出所给出方法在应用中是有效和方便的。

基于前向神经网络的非线性时变系统辨识

提出基于前向神经网络的非线性时变系统辨识方法 ,并用局部化推广卡尔曼滤波算法训练网络 .该算法与全局推广卡尔曼滤波算法相比 ,不需要矩阵求逆运算 ,具有更高的收敛速度和更小存储容量要求 .

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。

基于前向神经网络的非线性时变系统辨识改进EKF算法

为了克服传统扩展卡尔曼滤波算法进行参数估计时可能产生的新数据失效问题,提出了一种改进的扩展卡尔曼滤波(EKF)步骤,然后将改进步骤做为人工神经网络的学习算法用于基于前向神经网络的非线性时变系统辨识。与传统的扩展卡尔曼滤波步骤相比克服了新数据的饱和现象,可以更好地反映系统时变特征。通过一个单变量一般时变非线性系统和一个三自由度非线性时变刚度结构系统算例,仿真验证了新算法在辨识精度和计算量方面的改进特性。

一种非线性时变系统小波网络辨识算法

提出一种可对任意非线性时变系统进行辨识的新方法 ,即基于小波神经网络的带自校正移动窗的递推最小二乘算法 .与现有的神经网络辨识算法不同 ,该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度 ,以跟踪非线性时变系统的动态特性 .文中推导了算法 ,并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能 .

一类高阶线性时变系统自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的一致强稳定、一致强可控的高阶线性时变系统,提出了模型参考自适应迭代学习参数辨识方法。基于类Lyapunov函数推导了时变参数的迭代学习律。该算法可以辨识未知的快时变参数,并保证模型跟踪误差随迭代次数趋于无穷关于有限时间区间一致收敛到0,参数估计误差有界且收敛。分析了参数估计收敛到真值的条件。仿真验证了所提辨识算法的有效性。

关于线性时变系统的逆

本文讨论单输入单输出线性时变系统的逆系统问题，给出了可逆性的充要条件和两种降阶逆系统的计算方法，并用例子说明了这些方法。

线性时变系统二次最优控制问题的保辛近似求解

状态空间的最优控制体系是保守的,其近似算法应当保辛.提出了基于分段常值精细积分方法的保辛摄动近似方法,在同一框架下求解了线性时变LQ最优控制中的计算问题,即变系数矩阵Riccati方程和状态反馈方程.该算法是保辛的,具有很好的数值稳定性和精度.算例验证了算法的有效性.