故障检测的集员辨识方法

为了处理数学模型不精确已知系统的故障检测问题，给出了一种故障检测的集员辨识方法。与以往基于模型的故障检测方法相比，该方法不要求模型参数真实值的先验信息。仿真结果验证了该方法的快速性和有效性。

MIMO系统参数集员辨识的优化算法

在噪声瞬时有界的情况下，提出了多输入多输出（MIMO）系统参数集员辨识的两种优化算法．这两种优化算法具有识别冗余数据的能力．而且与最小二乘方法相比具有更好的性能．文中的仿真例子验证了上述结果．

自适应噪声定界的改进集员辨识算法

集员辨识所需的系统噪声边界在现实应用中往往难于精确确定,通常采取的过估边界将导致算法性能的退化.本文针对缺乏足够先验噪声边界知识下的集员辨识问题进行了相应的研究,通过对输入干扰和测量误差的有界假设,将系统噪声边界建模为一个依赖于模型参数的时变量,由此提出了一种根据估计参数自适应调定噪声边界的改进最优定界椭球辨识算法,避免了过估噪声边界假设引起的保守性增大的缺陷,提高了算法的收敛速度.仿真中将本文提出的改进算法和带固定过估噪声边界的原始算法进行了比较,表明了该方法的有效性.

线性时不变系统集员辨识的区间算法

在不确定但有界(UBB)噪声假设下,提出一种针对线性时不变系统参数集员辨识的区间算法.借助区间数学,寻求与观测数据和噪声相容的参数的最小超长方体(或区间向量),推导了递推列式,并分析了算法的收敛性.此算法不仅可以给出参数估计值,还可以给出参数的不确定性界限.通过数值算例,将此算法与Fogel 椭球算法和最小二乘算法进行了比较,显示了其计算量小和精度高的优点.

飞行器气动参数的集员辨识

在噪声未知但有界的情况下，本文研究了飞行器气动参数的集员辨识问题。提出了先对非线性系统参数可行集的中心进行估计，再估计参数可行集大小的集员辨识两步法。这样就为解决飞行器气动参数的辨识问题提供了一种新的可行方法，再入体实测数据的处理表明这种方法十分有效。

基于小波变换的分频集员辨识

讨论具有未建模动态系统的集员辨识问题,基于小波变换提出分频集员辨识方法,旨在获得较精确的模型集估计。仿真结果验证了所提出方法的有效性。

多输入多输出系统参数的集员辨识

本文讨论了多输入多输出系统参数的集员辨识（ｓｅｔｍｅｍｂｅｒｓｈｉｐｉｄｅｎｔｉｆｉｃａｔｉｏｎ）．在系统动态噪声功率有界的假定下导出了ＭＩＭＯ系统参数的成员集合是个椭球，证明在一定条件下椭球趋向于一点．文中的仿真例子验证了上述结果．

一种改进型椭球外定界集员辨识算法

基于最小化椭球容积准则和最小化椭球轴长平方和准则椭球算法,结合相关理论,本文提出了一种改进型的椭球外界算法。通过辨识实例,可以看出这种新型算法的收敛性和一致性均得到较大的改进。

数据融合技术在集员辨识中的应用

集员估计算法是一种新型的、有效的系统估计方法,在控制领域越来越受到重视.通过多传感器数据融合的方法,可以减少单一传感器辨识目标的不确定性和模糊性,可以进一步提高辨识结果的准确性和精度.文中提出了一种新型的基于数据融合的集员估计算法可以用来减少各种检测误差带来的影响,提高辨识的速度和精度.得出一个更优的集员估计集.

集员辨识理论发展及算法综述

基于UBB噪声假设下的集员辨识是一种新型的系统辨识方法,与传统辨识方法相比具有较强的鲁棒性。本文以参数线性模型为例介绍了集员辨识理论的发展历程和相关算法。

集员辨识的次最优输入设计

讨论了单输入单输出时不变线性系统参数集员辨识的试验设计问题。在输入信号幅度有界的约束条件下 ,分别针对一次完成设计和递推设计给出了确定试验输入信号的公式。这种信号能使辨识得到的椭球所包含的范围在一定意义下较小 ,并且是试验之前的所能做到的最佳选择。

基于多传感器数据融合技术在集员辨识方面的应用

通过多传感器数据融合的方法,可以减少辨识目标的不确定性和模糊性,如果能对数据融合中所采集的信息作出评估,可以进一步提高辨识结果的准确性和精度。所以利用提出的集员估计算法可以用来减少各种检测误差带来的影响,提高辨识的速度和精度。

离散线性系统的集员辨识

针对含有随机干扰的CAR模型系统，基于系统的输入，输出数据及一定的验前分布已知的条件，应用数理统计中的Bayes方法，对其模型的参数进行集员辨识，从而得到一个以大概率包含参数真值的集合．

非线性系统参数集员辨识的一种新方法

在噪声未知但有界的情况下，研究了非线性系统参数的集员辨识问题．提出了先对非线性系统参数可行集的中心进行估计，再估计参数可行集大小的集员辨识两步法．这种新方法为解决非线性系统参数的集员辨识问题提供了一种有效的可行方法。

双线性系统参数的集员辨识

本文讨论噪声功率有界时双线性系统参数的集员辨识（Ｓｅｔ—ｍｅｍｂｅｒｓｈｉｐＩｄｅｎｔｉｆｉｃａｔｉｏｎ）。参数化后的双线性系统可用回归向量含非线性项的回归形式表示．文中给出了双线性系统参数的集员估计递推形式，并讨论了其收敛性。

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.

基于差分进化和向量回归的四旋翼参数集员辨识

在噪声未知但有界的情况下,为了解决辨识模型回归矩阵奇异条件下的参数集员辨识问题,基于差分进化算法和非线性向量回归,提出一种新颖的四旋翼参数集员辨识方法。利用非线性向量回归方法建立逼近参数向量与误差向量的范数之间的函数关系模型,并用差分进化算法优化模型参数,避免参数选择的盲目性。仿真结果验证了这种方法的有效性。

基于ARMA时序模型的结构参数识别集员算法

研究在时域内利用含噪声观测数据识别结构参数问题.建立了与结构振动微分方程等价的自回归滑动平均(ARMA,Autoregressive Moving-Average)时序模型,将结构参数识别问题转换为ARMA模型参数辨识问题.在不确定但有界(UBB,Unknown-But-Bounded)噪声假设下,基于线性时不变系统参数集员辨识的区间算法,寻求与观测数据和噪声相容的参数的最小超长方体(或区间向量),进而得到结构参数的估计值.通过数值算例,将本文算法与最小二乘算法进行了比较,显示了其可行性和有效性.

基于Volterra泛函级数的非线性系统的鲁棒辨识

针对弱非线性系统的鲁棒建模问题,基于Volterra泛函级数,结合集员辨识理论,提出了广义频率响应函数的鲁棒辨识方法,形成了一套较完整的弱非线性系统的鲁棒建模方法,仿真结果表明该方法是行之有效的。

具有非参数化不确定系统的无偏辨识

本文研究了具有参数和非参数不确定性系统的集员辨识问题。分析表明利用我们在文［５］中提出的ＢＥＬＳ方法可以消除集员辨识中观测噪声引起的偏差．文中通过对系统输入数据的预滤波将已知零点嵌入系统，利用这些零点提供的信息将观测噪声引起的辨识偏差予以消除．