超声波电机转速控制模型的迭代学习辨识建模

超声波电机的转速控制模型是其运动控制研究的基础。为研究以驱动频率为调节变量的超声波电机转速控制模型,根据超声波电机驱动频率与转速之间关系特性的实测数据,建立超声波电机转速控制的二阶线性时不变模型。给出迭代学习辨识策略对电机转速控制模型的参数进行辨识。针对超声波电机的每组实测数据中数据量不同导致的参数收敛性减弱的情况,通过双范数最优理论来设计迭代学习辨识的参数学习律。将迭代学习辨识所得结果与Hammerstein模型比较。仿真和实验结果表明,二阶线性时不变模型下的迭代学习辨识可以有效地辨识超声波电机的模型参数,参数收敛速度快、收敛性较好,所建模型精度较高,建模方法有效。

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。

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。

混沌通信的非线性N-shift加密与迭代学习辨识算法

为增强混沌通信系统的保密性,讨论了非线性N-shift加密方案,从提高信号掩盖的非线性程度方面增强了混沌通信的保密性.利用迭代学习辨识方法来实现解密,完全重建信息信号,理论分析给出了学习算法关于初态误差和输出误差的鲁棒性和收敛性,推导出了学习算法关于非线性掩盖的收敛的充分条件.利用以上迭代学习辨识技术对采用复合非线性掩盖技术的蔡氏混沌通信系统进行仿真,结果说明迭代学习辨识算法可以完全重建信息信号,复合非线性掩盖具有高保密性.

基于迭代学习辨识的开关磁阻电动机转子位置估计

将无位置传感器的开关磁阻电动机调速系统的位置估计归结为迭代学习辨识问题,根据开关磁阻电动机系统模型的特点,构造了PD型的非线性迭代学习辨识器,利用开关磁阻电动机启动过程所获得的相电压及相电流信息,对该时间段的速度及位置曲线进行完全辨识,所得结果证明了迭代学习辨识算法的有效性。

不确定非线性系统的LSSVR迭代学习辨识算法

针对一类不确定非线性系统的时变参数辨识问题,利用最小二乘支持向量回归机(LSSVR)的逼近能力,将积分型Lyapunov函数作为优化目标,设计出具有自适应性的迭代学习辨识算法。该算法采用迭代学习的方式对支持向量回归机的权值和逼近误差进行修正,利用高增益的反馈控制器增强系统的稳定性和鲁棒性。收敛性分析表明,随着迭代次数的增加,估计误差渐近收敛于零。仿真结果表明该算法可以实现有限时间区间上参数的完全辨识。

数字水印提取的迭代学习辨识方法

针对结合混沌映射和多重混合的数字图像水印嵌入及提取问题,提出利用迭代学习辨识算法提取水印图像的方案。该方案将水印掩盖于混沌系统的参数中,以迭代学习算法重建原始水印图像。实验表明,运用所提出的迭代学习辨识算法能够从含水印图像中提取出完整的水印图像,给出的测试结果验证了学习算法抵抗常见几何攻击的能力。

多幅混合数字图像提取的迭代学习方法

提出以迭代学习辨识算法提取隐藏图像的新方法.将图像信息嵌入到混沌系统的参数中,并运用图像多重混合嵌入技术完成图像隐藏.这种图像隐藏过程等效于含未知时变参数的动态系统.运用D型迭代学习辨识方法在有限时间区间上对时变参数的完全估计能力,实现隐藏图像信息的完全提取.数值结果表明在各种攻击下该提取方法的有效性.

基于迭代学习控制的列车自动运行研究

针对列控系统难以建立精确的动力学模型问题,利用列车运行过程中包含的大量重复信息,选用迭代学习算法对列车动力学模型中的未知参数进行辨识并提出基于迭代学习控制的列车自动运行控制算法。算法核心是利用历史数据生成新的控制量控制列车自动运行。仿真结果表明,经过一定次数的迭代,参数辨识值保持稳定并且列车能够严格跟踪目标曲线行驶,保证列车高精度、高平稳、高安全的运行。

哈默斯坦非线性时变系统的加权学习辨识方法

针对有限区间哈默斯坦(Hammerstein)非线性时变系统,该文提出一种加权迭代学习算法用以估计系统时变参数。首先将Hammerstein系统输入非线性部分进行多项式展开,采用迭代学习最小二乘算法辨识系统的时变参数。为了防止数据饱和,采用带遗忘因子的迭代学习最小二乘算法,进而引入权矩阵,采用加权迭代学习最小二乘算法改进系统跟踪误差,以提高辨识精度。该文分别给出3种算法的推导过程并进行仿真验证。结果表明,与迭代学习最小二乘算法和带遗忘因子迭代学习最小二乘算法相比,加权迭代学习最小二乘算法具有辨识精度高、跟踪误差小以及迭代次数少等优点。

动态系统的一阶特征模型与直线伺服系统的自适应迭代学习控制

就线性定常/时变系统以及非线性系统,依据特征模型理论,给出动态系统的一阶特征模型.其特征参数随时间变化,即以一阶时变差分方程描述受控系统的动态特性;与二阶和三阶特征模型相比较,一阶模型具更少参数.为解决由一阶特征模型描述的系统的控制问题,提出基于遗忘因子迭代学习辨识的自适应迭代学习控制方法.迭代学习辨识适于时变参数的估计,它允许被估计参数随时间快速变化,抑或突变.以直线伺服系统的位置跟踪控制为例,给出一种基于特征模型与LQ最优控制策略的自适应迭代学习控制方案.仿真与实验结果表明,提出的控制方案能够有效实现受控系统的位置跟踪控制.

基于非线性模型预测控制的城市路网交通流优化

为提高城市路网设计效率,文中提出一种基于非线性模型预测控制的城市路网交通流优化方案。采用预测控制方法,利用模拟试验验证所提算法在道路网络中的应用,从而最大限度地提高路口的通行能力;同时,验证迭代式识别在车辆流量模型的参数识别中的正确性。研究结果表明:采用时变参数模式预测时,每个路口的队长度差异都是比较合理的,模型预测结果与仿真结果接近;采用该模型的预测控制算法可以对网络的实时状况进行实时修正,从而改善道路的运行性能,8:00时段道路阻塞状况的模拟结果证明该方法具有较好的性能。相比之下,当系统中产生随机扰动时,自适应迭代学习辨识算法可以实现对系统期望输出的快速跟踪,具有较快的收敛速度和良好的效果。