基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法.该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程,消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真,构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架.两则数据仿真表明,对于高度非线性系统,该算法可使系统估计的均方误差减少60%以上.

含外部输入的非线性自回归模型及其在实时混合模拟中的应用

传统实时混合模拟对数值子结构多采用有限元计算,对于较复杂或自由度较多的结构,容易导致计算机在指定积分步长内无法完成结构下一步响应的计算。为了提高计算效率,该文提出一种基于代理模型的实时混合模拟方法,采用含外部输入的非线性自回归模型代替有限元计算。以非线性数值子结构和自复位阻尼器试验子结构组成的单自由度体系为对象,使用数值模拟的数据来训练代理模型,并对该模型进行实时混合模拟试验验证。试验结果表明,基于代理模型的实时混合模拟与传统实时混合模拟结果十分接近,具有替代后者的潜力。

基于GFRFs的非线性系统结构故障检测方法

为了能够更加准确高效地检测非线性系统的结构是否发生故障,提出了基于系统带外部输入的非线性自回归(NARX)模型的广义频率响应函数(GFRFs)故障检测方法。根据受检系统的NARX模型参数和一阶GFRF估算出系统的高阶GFRFs,通过比较受检系统与无故障系统结构的广义频率响应函数值,实现系统结构的故障检测。根据受检系统和无故障系统的GFRFs确定系统故障损害程度指数,进一步对故障程度进行评估。通过实验与其他检测方法进行对比,验证了所提检测方法的优越性。

基于数据驱动的混杂系统建模与优化控制研究

针对一类非线性、多变量的工业过程,提出了一种基于数据驱动的多输入多输出混杂系统模型辨识方法和基于多参数规划的实时非线性预测控制方法。该方法采用高维数据空间的聚类划分方法,成功实现了MIMO形式的分段仿射含输入自回归(PWARX)模型的辨识;利用混杂系统的HYSDEL建摸语言及其编译器工具,将得到的MIMO-PWARX模型转化成非线性的分段仿射(PWA)模型,采用多参数规划的方法,设计基于PWA模型的预测控制器。该方法实现了从过程数据中挖掘出系统的混杂模型的信息,自动生成复杂过程的PWA模型,并实现了实时的非线性预测控制。最后利用该方法成功实现了四容水箱非线性多输入多输出过程模型的在线控制,得到较好的控制效果。

电磁发射系统监测量预测方法

对设备监测量的数值预测是进行故障预测与健康管理(PHM)研究的重要环节之一。以电磁发射系统中分段供电直线电机的定子温度为例,分别基于自回归积分滑动平均(ARIMA)模型、卡尔曼滤波模型、反向传播(BP)神经网络模型和一种新的以工况信息为外部输入的非线性自回归神经网络(NARX)模型,实现了对定子温度多时间尺度的预测。ARIMA模型为其他三种模型提供了时序数据分析时确定阶数的依据。在不同于训练数据集的试验数据上应用四种预测模型,比较和分析了四种方法得到的多时间尺度预测结果:对于不超过1min的短时温度预测,四种方法都具有较好的效果;对于1~4min的中长时间预测,引入工况信息的NARX神经网络方法具有优势。四种方法对分段供电直线电机定子温度预测都不具有超过4min的预测能力。

可重构功放的新颖NARX神经网络逆向建模研究

针对使用CAD软件设计射频微波电路繁琐且耗时长等缺点,提出一种新颖的带外部输入的非线性自回归(NARX)神经网络逆向建模方法。此方法采用具有激励函数的NARX神经网络(DAFNN)为模型以提高网络的泛化能力,利用支持向量机(SVM)替代模型的前馈部分完成数据分类,解决设计中的多解问题。然后应用于可以覆盖多个频段的可重构功率放大器中,实验表明,该方法在精度方面分别优于直接逆向建模方法和自适应η逆向建模方法99.86%和81.32%,计算速度方面优于直接逆向建模方法31.72%,可以降低射频微波可重构功率放大器的设计复杂度、缩短其设计时间。

面对计算机的普及 改进概率统计课的教学

十余年来,电子计算机、电子计算器在我国经历了一个逐步普及的过程,这介过程还在继续。直接用算法语言键入的微机在不断增多,而纸带穿孔的输入方式现在已较为少见了。十多年前,电子计算器在我国还很少,现在不少大学生都拥有函数型计算器了。这种变化不但使得计算方法课的教学内容与方法同五十、六十年代相比有很大的差异;而且对包括概率统计课在内的其它课程,也提出了如何改进教学的问题。