一种基于即时学习的多模型在线建模方法

针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法。该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模。在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性。最后,通过对一个仿真案例的研究验证了该算法的有效性。

基于输入输出数据的一体化多模型建模与控制

针对复杂非线性系统,提出了一种完全基于输入输出数据的一体化多模型建模与预测控制设计方法。首先,利用模糊空间划分对输入数据进行在线聚类;然后,采用最小二乘法在每一个聚类点处建立一个局部模型,并将模糊空间划分与多模型建模相结合,利用即时输入输出数据对局部模型的数量以及每一个局部模型的参数进行在线更新,从而实现对复杂非线性系统的在线建模;最后,在此基础上进行预测控制器的设计,将系统建模与控制器的设计包含在一个控制系统设计框架以内,对模型不确定性具有更好的鲁棒性。仿真实验的结果表明了该方法的有效性。

基于数据的多模型分数阶PID控制方法

针对复杂非线性系统,将多模型建模与分数阶PID控制相结合,设计了一种完全基于输入-输出数据的多模型在线建模控制方法.首先,利用输入-输出数据对非线性系统进行在线多模型建模;然后,针对所建立的多个局部模型,基于加权控制方式设计分数阶PID控制器.该方法将对系统的建模与控制器的设计包含在一个控制系统设计框架以内,对系统模型的不确定性具有更好的鲁棒性,仿真实验的结果表明了该方法的有效性.

一种基于滑动库的多模型在线建模方法

针对未知边界的复杂非线性系统,提出一种基于滑动库的多模型在线建模方法.该方法首先结合滑动库思想,利用系统输入输出数据在线确定输入空间的边界,使其不需要准确知道系统输入空间的边界,减小了对先验信息的依赖性;然后,基于模糊划分的方法对输入数据在线聚类;最后,基于最小二乘法建立局部模型,并根据数据对局部模型的参数进行更新.仿真结果表明了该方法处理未知边界非线性系统在线建模问题的有效性.