基于GA-Fuzzy的混沌系统辨识研究

提出用遗传算法优化的Takagi-Sugeno-Kang(TSK)模糊模型对未知或不确定的混沌动力学系统进行辨识。在辨识未知混沌系统的TSK模型过程中,只需利用未知混沌系统的输出时间序列。首先,采用模糊聚类分析方法从训练数据建立其初始TSK模糊模型。然后采用实数编码的遗传算法对初始模型进行优化设计。同时为防止破坏模糊规则的语义属性,对遗传搜索空间采取了适当的限制。用辨识模型重建吸引子方法定性地评价辨识模型,通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能。仿真结果表明,该辨识模型能很好地逼近原混沌动力学系统,准确地体现原混沌系统的动力学特性。

基于RBF网络的混沌动力系统辨识

提出用 RBF神经网络对混沌动力系统进行辨识 ,设计了一个三层 RBF网络结构 ,仿真实验说明了 RBF网络用于学习混沌动力系统时的基本性质 .用辨识模型重建吸引子方法定性地评价辨识模型 ,通过计算辨识模型的 L yapunov指数定量地评价辨识模型的性能 ,同时推导了 RBF网络模型 L yapunov指数的计算公式 .仿真结果表明 ,该辨识模型能很好地逼近原混沌动力系统 。

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.

采用哈密顿自适应状态观测器的永磁同步电机混沌系统参数辨识

针对永磁同步电机在运行中出现的混沌状态,提出了一种基于哈密顿自适应状态观测器的永磁同步电机混沌系统参数辨识方法,构造混沌系统的端口受控哈密顿系统模型,利用"扩张+反馈"思想,设计端口受控哈密顿系统的自适应状态观测器,在状态观测的过程中完成参数辨识。仿真验证了哈密顿模型能充分利用系统自身物理结构,所设计的状态观测器结构简单有效、易实现,能观察系统的内部结构和信息,实现高精度辨识。