存在未知时滞非线性系统的迭代变区间预测迭代学习控制

本文针对机理模型未知的非线性非仿射多入多出(MIMO)离散时间系统,研究了系统同时存在未知时滞和迭代变化运行时间区间的预测迭代学习控制(PILC)问题.首先利用未知时滞的上下界信息建立了一种新型的动态线性化(DL)模型,理论分析表明该模型能够等价描述本文所考虑的存在未知时滞的未知非线性系统.同时,设计一种新的数据补偿机制用以处理由于系统运行时间区间迭代变化而引起的数据丢失问题.基于所建立的DL模型和数据补偿机制,设计了能够同时处理未知时滞和迭代变化运行时间区间的预测迭代学习控制方法.通过严格的理论分析同时给出了建模误差和跟踪控制误差的收敛性质.最后,通过仿真进一步验证了所提方法的有效性.

多层软土地基沉降的分层迭代反演综合预测法

基于 MERCHANT粘弹性模型 ,建立软土地基沉降二维粘弹性 BIOT固结有限元计算公式 ;根据最小二乘法建立目标函数 ,采用 SIMPLEX直接优化算法反演确定参数 ;针对多层软土地基 ,为反演能获得在物理意义上合理且数学上唯一的参数 ,提出了分层迭代反演综合预测法。

残余和现今应力场重迭法预测强震危险时区

以红河断裂带测区为例，用Ｘ射线法测量了测区的古构造残余应力场及其应变能密度场，用有限单元法计算了测区在两种边界条件下的水平最大剪应力场，用实验和理论证明了古构造残余主压应力大小和方向对岩石破坏、破裂扩展和震级的影响。用上述方法预测，松平—南涧、玉溪—开远、普洱为测区内强震危险区段。结合地球自转角速度相对变率的天文观测曲线在时间轴上的外延，预测得１９８９－１９９６、１９９９－２００４、２００７－２０１３、２０１６－２０１８年为测区内强震危险时段。

带遗忘因子的预测迭代学习控制在阀控非对称缸系统中的应用研究

弹性负载下的阀控非对称缸是典型的非线性、时变系统,针对传统PD型迭代学习控制容易造成系统抖动这一问题,设计一种带遗忘因子的预测迭代学习控制器。建立阀控非对称缸系统的模型,比较分析其工作特性。介绍迭代学习控制基本原理,并分析常规PD型算法存在的问题。为克服迭代学习控制算法在阀控非对称缸控制中的抖动问题,设计具有遗忘因子的迭代学习算法,并通过仿真分析不同遗忘因子取值对控制效果的影响。为补偿遗忘因子造成的迭代性能降低问题,加入预测给定环节。仿真与试验研究均表明,这种带遗忘因子的预测迭代学习控制算法能够很好应用于阀控非对称缸系统,它有效克服系统抖动问题,并且具有很好的迭代精度。

基于证据理论的迭代多步预测方法研究

为了有效利用复杂非线性工程系统中各种不确定信息和主观知识,本文结合相空间重构理论和证据推理理论,建立时序证据的多步预测模型.本文先对时序证据进行相空间重构;针对时序证据预测中信息量大且存在误差累积的不足,采用时序证据滑动窗口处理方法,以降低累积误差;窗口内运用迭代融合规则,以降低信息量的存储.将该模型应用于某型陀螺仪漂移预测,试验结果证明,本文方法能够有效降低迭代时产生的累积误差和信息量,结论更接近实际情况.

基于线性迭代预测的线性调频信号估计方法

针对线性调频(linear frequency modulation,LFM)信号参数估计方法中参数估计范围较小的问题,以旋转求和抽取(rotate add decimate,RAD)测频方法为基础,提出了一种估计LFM信号参数范围的改进方法.该方法在保证线性调频斜率以及频率估计精度的前提下,将线性调频斜率估计范围扩展至(-π/2,π/2).给出了用线性迭代预测方法改进LFM信号参数估计范围的基本思想和步骤.最后仿真验证了该方法的有效性.

解广义混合似变分不等式的预测校正迭代算法

研究了一类广义混合似变分不等式,应用辅助变分不等式的技巧,在非紧假设条件下,用新的迭代方法,提出了求解广义混合似变分不等式的预测 校正迭代算法,并讨论了由算法所生成迭代序列的收敛性.

随机干扰的变风量空调模糊迭代学习预测控制

针对汽车变风量空调实际运行中存在的随机干扰,提出了一种基于二维框架理论的模糊迭代学习预测控制方法。首先对变风量空调系统进行线性建模;然后将空调系统作为间歇过程,利用二维框架理论得到二维状态空间模型;随后基于模糊理论介绍了变学习速率与预测步长的迭代学习预测控制器的设计方法。最后通过对比不同干扰信号条件下的跟踪响应发现模糊迭代学习预测控制不仅对周期性干扰具有较好的鲁棒性,而且在随机干扰条件下,依旧能够保持较好的跟踪性能。仿真结果验证了该方法的有效性。

块迭代线性预测的超光谱图像分布式压缩算法

根据超光谱图像特点和应用环境要求,提出一种基于DCT变换域分布式信源编码的超光谱图像压缩算法.编码端首先进行线性预测,然后按DCT子带顺序进行比特平面编码,解码端使用关键帧重建边信息进行LDPC解码.在编码端使用部分像素点进行线性预测,从而减少了编码端的运算量.在解码端,利用已解码子带信息进行基于块的迭代线性预测,使用优化后的边信息解码后面的子带.与传统算法相比,本算法在编码端的运算量更少,需要的存储空间更小,满足超光谱图像压缩系统要求,易于硬件实现.

解非线性混合似变分不等式的预测-校正迭代算法(英文)

对映象引入了部分松驰η 强单调性概念.应用辅助变分不等式技巧,建议和分析了求解非线性混合似变分不等式的预测 校正迭代算法.算法的收敛性证明仅需要映象的部分松驰η 强单调性,此性质比η 余强制性更弱.这些算法的收敛性结果是新的且推广了文献中某些已知结果.

应用于二进制除法位数扩展N阶预测-校正迭代算法

提出了一种扩展二进制除法位数的N阶预测-校正迭代算法.该算法每次迭代将除数位长一分为二,直到除数位长与基本除法位长相同.相应地商分前后两步求出,每步中除数高半数位作为除法运算的除数预测商值,低半数位和部分余数形成部分积校正预测值.理论分析并论证了调整值集合为{0,-1,-2},给出了32位以内的各次校正概率曲线图.实验结果表明,本算法与比较除法相比,计算效率可提高3到10倍(取决于基本除法的位长).本算法能得到准确余数,符合IEEE浮点数的舍入规范.

设备状态的多项式神经网络迭代多步预测法

设备状态趋势预测技术是实现设备预知维护的重要手段。为了实现设备的预知维护,在BP算法和一般多步预测法的基础上,提出设备状态的多项式神经网络迭代多步预测法。方法具有较强泛化能力和较快收敛速度的多项式神经网络,采用迭代法更新样本中的历史数据,逐次训练预测模型进行时间序列预测。将方法应用于某石化企业压缩机振动峰峰值的时间序列预测上,并与一般多步预测法相比,多项式神经网络迭代多步预测法在短期预测中改进效果不大明显,但在中长期预测中则具有更高的预测精度。测试结果证明,多项式神经网络迭代多步预测法能更好地满足工程实际应用需要,为设备预知维护提供了一个新思路。

迭代学习模型预测控制研究现状与挑战

历经20多年的发展,迭代学习模型预测控制在理论和应用方面都取得了长足的进步.但由于批次工业过程复杂多样、结构各异、精细化程度较高,现有的迭代学习模型预测控制理论仍面临着巨大挑战.本文简要回顾了迭代学习模型预测控制理论的产生及发展,阐述了二维预测模型、控制律迭代优化及二维稳定性等基本理论问题;分析了现有方法在理论及应用方面的局限性,说明了迭代学习模型预测控制在迭代建模、高效优化、变工况适应等方面面临的难点问题,提出了可行的解决方案.简要综述了近年来迭代学习模型预测控制理论和应用层面的发展动态,指出了研究复杂非线性系统、快速系统、变工况系统对进一步完善其理论体系和拓宽其应用前景的意义,展望了成品质量控制和动态经济控制等重要的未来研究方向.

摆动电机的迭代预测及PID控制分析与比较

提出一种基于迭代预测算法的新型位置控制器,提高了摆动电机扫描伺服系统中的位置控制性能。在周期性运动系统中,预测迭代控制能够提高伺服系统的跟随性能。仿真和实验结果表明:该控制器与传统PID控制器相比,正向扫描过程线性度和准确性较高,消除了正向扫描开始处的小幅波动,增加了扫描系统可用的线性匀速扫描段。

飞机蒙皮镜像加工变形迭代预测方法

飞机蒙皮尺寸大、壁厚小,易发生加工变形,并且切削力与加工变形之间存在着复杂的耦合关系,普通的无迭代加工变形预测方法难以实现较好的预测效果。针对飞机蒙皮镜像加工变形现象,在建立镜像铣定制刀具切削力模型的基础上,提出一种加工变形迭代预测方法,该方法较好地解决了切削力与加工变形之间的复杂耦合关系问题,并通过仿真和试验证明了该方法的有效性。相对普通无迭代预测方法,该方法预测加工变形量的变化趋势和变化幅值更符合实际蒙皮镜像加工,加工变形仿真预测值与实际加工变形的差值更稳定,预测误差更小,可以更准确有效地预测出蒙皮镜像加工变形量。

面向图像内补与外推问题的迭代预测统一框架

目的 图像内补与外推可看做根据已知区域绘制未知区域的问题,是计算机视觉领域研究热点。近年来,深度神经网络成为解决内补与外推问题的主流方法。然而,当前解决方法多分别对待内补与外推问题,导致二者难以统一处理;且模型多采用卷积神经网络(convolutional neural network,CNN)构建,受到视野局部性限制,较难绘制远距离内容。针对这两个问题,本文按照分而治之思想联合CNN与Transformer构建深度神经网络,提出图像内补与外推统一处理框架及模型。方法 将内补与外推问题的解决过程分解为“表征、预测、合成”3个部分,表征与合成采用CNN完成,充分利用其局部相关性进行图像到特征映射和特征到图像重建;核心预测由Transformer实现,充分发挥其强大的全局上下文关系建模能力,并提出掩膜自增策略迭代预测特征,降低Transformer同时预测大范围未知区域特征的难度;最后引入对抗学习提升绘制图像逼真度。结果 实验给出在多种数据集下内补与外推对比评测,结果显示本文方法各项性能指标均超越对比方法。通过消融实验发现,模型相比采用非分解方式具有更佳表现,说明分而治之思路功效显著。此外,对掩膜自增策略进行详细的实验分析,表明迭代预测方法可有效提升绘制能力。最后,探究了Transformer关键结构参数对模型性能的影响。结论 本文提出一种迭代预测统一框架解决图像内补与外推问题,相较对比方法性能更佳,并且各部分设计对性能提升均有贡献,显示了迭代预测统一框架及方法在图像内补与外推问题上的应用价值与潜力。

神经网络迭代算法在风机振动报警值中的应用

提取旋转机械D350风机转子在一段时间里的水平方向、垂直方向和轴向的振动值,以此为样本值,应用BP神经网络迭代算法进行训练,然后对D350风机的振动报警值进行预测,预测结果表明与实际报警值非常接近。

基于分形自仿射特性的混沌预测方法研究

研究了一类特殊非线性系统———混沌系统的局部预测问题。分析了分形的自仿射特性 ,将迭代函数系统(IFS)引入到混沌时间的预测中 ,从而将混沌预测问题转化为在相空间迭代寻找一个最佳的仿射算子和仿射子集 ,由此修正了最邻点的选取准则。从理论上证明了方法的可行性。结合局部超平面近似法 ,给出了迭代预测算法。数字仿真表明了该方法不仅提高了一步预测的精度 ,还具有多步较好的预测能力。

基于知识迁移的数据驱动迭代学习模型预测控制

迭代学习模型预测控制(iterative learning model predictive control,ILMPC)作为一种广泛应用于批次生产过程的数据驱动智能控制策略,能够在沿批次逐步提高跟踪性能的同时沿时间不断抑制实时干扰.现有ILMPC算法的点对点学习机制依赖于批次运行工况的强一致性,以此保证当前批次与历史批次间的有效信息传递.然而,生产需求和生产环境的变化通常会导致各批次的操作轨迹和操作周期存在差异,从而使得历史批次提供的先验知识对于后续批次呈现出不精确性和不完整性.为了提高ILMPC在变运行工况条件下的适应性和灵活性,本文提出了一种具有知识迁移机制的数据驱动ILMPC策略.建立自适应深度神经网络(deep neural network,DNN)沿批次学习ILMPC控制行为,实现历史控制经验在当前批次工况下的全面转换.为抑制DNN前期估计误差的影响,在知识迁移机制下进一步构建Tube控制结构下的ILMPC算法,保证ILMPC系统的时域稳定性和迭代域收敛性.针对非线性注塑过程的仿真实验验证了在操作轨迹和操作周期同时变化时,所提方法在跟踪精度和收敛速度方面具有明显优势.