含外部输入的非线性自回归模型及其在实时混合模拟中的应用

传统实时混合模拟对数值子结构多采用有限元计算,对于较复杂或自由度较多的结构,容易导致计算机在指定积分步长内无法完成结构下一步响应的计算。为了提高计算效率,该文提出一种基于代理模型的实时混合模拟方法,采用含外部输入的非线性自回归模型代替有限元计算。以非线性数值子结构和自复位阻尼器试验子结构组成的单自由度体系为对象,使用数值模拟的数据来训练代理模型,并对该模型进行实时混合模拟试验验证。试验结果表明,基于代理模型的实时混合模拟与传统实时混合模拟结果十分接近,具有替代后者的潜力。

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法.该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程,消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真,构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架.两则数据仿真表明,对于高度非线性系统,该算法可使系统估计的均方误差减少60%以上.

热电偶动态响应的带外部输入自回归模型

热电偶测量动态温度受到热电偶自身动态特性的制约和影响。为了评价热电偶的动态特性,建立了一种双气流环境下的热电偶动态响应实验系统,测量热电偶在两种不同温度气流交替激励下的响应。由于激励温度本身也存在测量误差,当用回归方法分析热电偶响应过程时,响应过程构成了一种变量带误差问题。为了获得热电偶动态响应的无偏估计,建立了热电偶动态响应的状态空间方程,用随机扰动与确定性模型结合的方式描述热电偶动态响应过程,采用一种带外部输入自回归模型对响应过程进行辨识。以一种工业中常用的露端式镍铬镍硅热电偶为对象,给出了一个算例。实验和计算结果表明,带外部输入自回归模型适用于双气流环境下热电偶动态响应能力的评价。

具有扇区非线性输入的混沌系统函数投影同步

研究了具有扇区非线性输入且含有模型不确定和外部干扰的混沌系统的修正函数投影同步问题。基于Lyapunov稳定性理论和滑模变结构控制方法,设计了统一的滑模控制器和自适应更新规则,使得混沌驱动系统和响应系统按照期望的函数尺度因子矩阵实现同步。所设计的控制器不受扇区非线性输入、模型不确定性和外部干扰的影响,具有很强的鲁棒性。以超混沌系统为例的仿真实验证明了该方法的有效性。

基于GFRFs的非线性系统结构故障检测方法

为了能够更加准确高效地检测非线性系统的结构是否发生故障,提出了基于系统带外部输入的非线性自回归(NARX)模型的广义频率响应函数(GFRFs)故障检测方法。根据受检系统的NARX模型参数和一阶GFRF估算出系统的高阶GFRFs,通过比较受检系统与无故障系统结构的广义频率响应函数值,实现系统结构的故障检测。根据受检系统和无故障系统的GFRFs确定系统故障损害程度指数,进一步对故障程度进行评估。通过实验与其他检测方法进行对比,验证了所提检测方法的优越性。

塞罕坝华北落叶松人工林树冠外部轮廓模型

【目的】构建树冠最大外部轮廓非线性混合效应模型和非线性分位数回归模型,为准确预测树冠生长发育规律及预估生产力提供科学依据。【方法】以河北省塞罕坝机械林场华北落叶松人工林为研究对象,基于58株解析木数据和1789个枝条解析数据,利用幂函数、修正Kozak方程、修正Weibull方程选取基础模型,构建华北落叶松人工林树冠外部轮廓非线性混合效应模型和非线性分位数回归模型。【结果】在幂函数、修正Kozak方程和修正Weibull方程中,幂函数拟合树冠外部轮廓效果较好,作为树冠外部轮廓基础模型;林分年龄(Age)、冠长(CL)、胸径(DBH)、树高(HT)、冠高比(CHR)、高径比(HDR)对树冠外部轮廓影响较大。在混合效应模型中,两水平混合效应模型优于单水平混合效应模型,可明显提高模型拟合精度,HDR相关的参数a 6考虑样地效应,相对着枝深度(RDINC)、CHR相关的参数a 4、a 5考虑样木效应,模型确定系数(R 2)为0.873,均方根误差(RMSE)为0.319 m,平均相对误差(MRE)为6.642 m。在分位数回归模型中,当分位数q=0.90时模型曲线最接近树冠最大外部轮廓,R 2为0.672。【结论】混合效应模型拟合精度较高,可准确描述树冠最大枝条的平均趋势。分位数回归模型可确定树冠最外部轮廓,在预测条件均值之外的研究中发挥重要作用。

基于Nonnegative Garrote的ARX和ARMA模型定阶方法

针对传统ARX和ARMA模型定阶方法计算量大和稳定性不强的缺点,提出采用非负绞杀法对ARX和ARMA模型进行定阶。通过分析ARX和ARMA模型的特点,对常规非负绞杀方法进行了改进,使其更适用于动态系统辨识问题,进而给出了相应的求解算法。仿真实验的结果表明了该方法的有效性,且在稳定性上优于传统的信息量准则法。

一种变步长CMAC的沉降NARMAX模型

为了提高氧化铝生产质量和降低能耗,分析了氧化铝沉降工艺中影响沉降过程的各种因素,采用小脑模型神经网络(CMAC)系统辨识的方法建立沉降系统的带外部输入的自回归滑移模型(ARMAX)。针对CMAC收敛性存在的问题,提出了基于变步长小脑模型神经网络(CMAC)算法,通过双曲正割函数优化学习步长,提高了小脑模型神经网络算法的收敛速度和计算精度,进而优化了沉降槽密度ARMAX模型。仿真实验表明,该算法的ARMAX模型可以对沉降过程中的槽内密度进行准确识别,指导氧化铝的沉降生产操作。

压电作动器的支持向量机迟滞模型

压电作动器被广泛应用于高精度定位领域,但是其固有的迟滞非线性会严重影响定位精度。为了准确地描述压电作动器的迟滞特性,提出了一种基于非线性自回归移动平均（NARMAX）的支持向量机（SVM）迟滞模型。为了建立SVM迟滞模型,首先需要将压电作动器的输入输出关系从一个多值映射问题转化为单值映射问题,对比了不同的单值映射对SVM迟滞模型精度及泛化能力的影响,提出了一种基于NARMAX构建单值映射的方法,建立了在全局上具有更高精度的压电作动器SVM迟滞模型。通过减小训练集中所包含输入信号频率的间隔,提高了模型在测试集上的精度。采用交叉验证的方法确定SVM模型中的参数,提高了迟滞模型在全局上的精度和泛化能力。结果表明,相比传统Bouc-Wen模型,所提出的模型在1 Hz处精度提高了8倍,在50 Hz处精度提高了60倍。通过位移跟踪实验,证明了基于SVM迟滞逆模型的前馈＋反馈（FF＋FB）控制能够有效提高跟踪精度,相较于PID反馈控制,其跟踪误差最多可降低73.9%。

基于CSA-NARX模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络(NARX)进行研究,利用变色龙优化算法(CSA)对其关键参数进行优化,提出了CSA-NARX神经网络模型。该模型在计算速度以及预测精度方面皆优于NARX基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了97%。以传统的非平稳时间序列分析模型ARMA和LSTM为对比,所提出模型的精度更高,验证了所提出模型的有效性。

基于数据驱动的混杂系统建模与优化控制研究

针对一类非线性、多变量的工业过程,提出了一种基于数据驱动的多输入多输出混杂系统模型辨识方法和基于多参数规划的实时非线性预测控制方法。该方法采用高维数据空间的聚类划分方法,成功实现了MIMO形式的分段仿射含输入自回归(PWARX)模型的辨识;利用混杂系统的HYSDEL建摸语言及其编译器工具,将得到的MIMO-PWARX模型转化成非线性的分段仿射(PWA)模型,采用多参数规划的方法,设计基于PWA模型的预测控制器。该方法实现了从过程数据中挖掘出系统的混杂模型的信息,自动生成复杂过程的PWA模型,并实现了实时的非线性预测控制。最后利用该方法成功实现了四容水箱非线性多输入多输出过程模型的在线控制,得到较好的控制效果。

电磁发射系统监测量预测方法

对设备监测量的数值预测是进行故障预测与健康管理(PHM)研究的重要环节之一。以电磁发射系统中分段供电直线电机的定子温度为例,分别基于自回归积分滑动平均(ARIMA)模型、卡尔曼滤波模型、反向传播(BP)神经网络模型和一种新的以工况信息为外部输入的非线性自回归神经网络(NARX)模型,实现了对定子温度多时间尺度的预测。ARIMA模型为其他三种模型提供了时序数据分析时确定阶数的依据。在不同于训练数据集的试验数据上应用四种预测模型,比较和分析了四种方法得到的多时间尺度预测结果:对于不超过1min的短时温度预测,四种方法都具有较好的效果;对于1~4min的中长时间预测,引入工况信息的NARX神经网络方法具有优势。四种方法对分段供电直线电机定子温度预测都不具有超过4min的预测能力。

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。

基于NARX神经网络的光伏发电功率预测研究

为了较准确地预测光伏发电系统的发电功率,建立了动态神经网络预测模型。该模型采用有外部输入的非线性自回归神经网络(NARX)结构,考虑太阳能辐射量和电池板温度对光伏发电功率的影响,利用NARX神经网络强大的非线性映射和泛化能力,进行了发电功率的预测。结果表明,利用NARX神经网络预测光伏发电功率是可行的,并且与传统BP神经网络相比,具有良好的适应性和预测精度。

激励函数可调的NARX神经网络

提出了一种隐层神经元激励函数可调的具有外部输入的非线性回归(NARX)神经网络,它在进行权值调整的同时,还对各隐层神经元激励函数的参数进行自适应调节;并推导出激励函数参数的学习算法,从而使NARX神经网络更符合生物神经网络.通过系统辨识的仿真实例,说明了隐层神经元激励函数对网络性能的影响,还验证了文中提出的NARX神经网络具有更快的收敛速度,并且能有效地避免算法陷入局部最小.

可重构功放的新颖NARX神经网络逆向建模研究

针对使用CAD软件设计射频微波电路繁琐且耗时长等缺点,提出一种新颖的带外部输入的非线性自回归(NARX)神经网络逆向建模方法。此方法采用具有激励函数的NARX神经网络(DAFNN)为模型以提高网络的泛化能力,利用支持向量机(SVM)替代模型的前馈部分完成数据分类,解决设计中的多解问题。然后应用于可以覆盖多个频段的可重构功率放大器中,实验表明,该方法在精度方面分别优于直接逆向建模方法和自适应η逆向建模方法99.86%和81.32%,计算速度方面优于直接逆向建模方法31.72%,可以降低射频微波可重构功率放大器的设计复杂度、缩短其设计时间。

面对计算机的普及 改进概率统计课的教学

十余年来,电子计算机、电子计算器在我国经历了一个逐步普及的过程,这介过程还在继续。直接用算法语言键入的微机在不断增多,而纸带穿孔的输入方式现在已较为少见了。十多年前,电子计算器在我国还很少,现在不少大学生都拥有函数型计算器了。这种变化不但使得计算方法课的教学内容与方法同五十、六十年代相比有很大的差异;而且对包括概率统计课在内的其它课程,也提出了如何改进教学的问题。

地铁车站施工过程中地表沉降的NARXNN时间序列预测模型

准确预测地铁车站开挖过程中的地表沉降已成为城市地下工程风险控制的重点和难点。针对传统时间序列预测模型预测时的单一线性和忽略施工因素影响的静态局限性,提出了带外部输入的非线性自回归神经网络(NARXNN)时间序列预测模型。该模型本身具有延迟单元和反馈结构,且通过引入施工影响因子作为外部输入的一部分,可以非线性动态地考虑地铁车站施工过程。运用NARXNN时间序列预测模型对北京地铁六号线北海北站开挖过程的地表沉降进行预测,结果表明:(1)与传统的ARMA时间序列预测模型相比,NARXNN时间序列预测模型适应性更好、准确性更高;(2)通过引入施工影响因子,NARXNN时间序列预测模型能够准确预测沉降历时曲线突变点处的变化趋势;(3)可以通过引入多组施工影响因子或优化施工影响因子的取值方法来进一步提高NARXNN时间序列预测模型的预测精度。