一类干扰有界约束非线性系统的鲁棒模型预测控制

针对一类干扰有界约束非线性系统设计了基于控制不变集切换策略的鲁棒模型预测控制算法.针对非线性系统线性化之后的结果,给出了平衡点的非线性标称系统控制不变集的计算方法.然后在考虑线性化误差和加性有界干扰影响的基础上,构造了平衡点附近最小鲁棒正不变集.结合不变集切换策略和Tube不变集控制方法,提出了干扰有界约束非线性系统的不变集切换策略.最后将该算法应用到一类典型的非线性化工过程连续搅拌反应釜(CSTR)中,仿真结果验证了算法的有效性.

基于多Agent系统的计算机生成兵力建模研究

在计算机生成兵力(computer generated forces,CGF)的研究中,引入了多Agent系统(multi-agentsystems,MAS)理论,并以面向对象Petri网(object-oriented Petri nets,OPN)为基础,建立了一种通用的适合CGF的MAS形式化模型ArmyMAS。ArmyMAS描述了作战实体Agent、管理Agent和配置等三个单元,形象地刻画了CGF的结构与行为特性,同时可以利用Petri网的相关分析方法和工具对模型进行分析和验证。最后利用Ar-myMAS对弹道导弹攻防对抗CGF系统进行建模和分析,验证了该模型的有效性。

状态时间序列预测的贝叶斯最小二乘支持向量机方法

为实现对电子系统状态时间序列的有效预测,提出一种基于贝叶斯证据框架的最小二乘支持向量机在线预测方法.该方法以逐次增加最新状态数据并剔除最旧状态数据的方式更新最小二乘支持向量机预测模型,利用分块矩阵求逆运算简化了新旧状态数据交替增减所带来的预测模型重训问题,通过贝叶斯证据框架实现预测模型超参数的在线动态优化.应用于雷达发射机中高压电源与多注速调管的状态时间序列预测实例表明,该方法的预测精度与计算效率比自适应灰色模型方法分别高9.52%与73.26%,具有预测精度高、预测稳定性高与计算效率高的优点,适用于电子系统在线状态时间序列预测.

进化小波消噪方法及其在滚动轴承故障诊断中的应用

阈值是小波阈值消噪方法中决定消噪结果的关键因素,传统阈值估计方法存在抑制噪声污染与保留信号细节间的矛盾,难以实现对滚动轴承故障信号的有效消噪。为准确估计阈值以改善小波阈值消噪方法的消噪性能,提出一种基于小波变换的进化阈值消噪方法。该方法以小波变换作为含噪信号分解与重构工具,构造含噪信号在各小波分解尺度上硬阈值收缩均方误差的近似函数,利用粒子群优化进化搜索与其最小值对应的最优阈值,以近似实现均方误差最小意义下的最优消噪。模拟信号消噪分析与滚动轴承故障信号消噪实例表明,该方法可有效消除噪声对信号的干扰,并准确提取淹没在噪声背景中的故障特征,消噪性能在信噪比与均方误差意义下优于传统小波阈值消噪方法。

局域极端学习机及其在状态在线监测中的应用

针对训练样本贯序输入时的极端学习机(ELM)训练问题,提出一种可实现在线训练的局域极端学习机(LELM).LELM以逐次增样训练与减样训练的方式实现在线训练,从而有效保持了简约的模型结构,同时利用分块矩阵求逆引理有效减小了多次模型训练的计算代价.混沌时间序列在线预测仿真表明,LELM的在线训练时间远小于ELM,且预测精度更高.基于时间序列预测的雷达发射机状态在线监测实例表明,相比于利用粒子群优化的自适应灰色模型方法,LELM具有更高的计算效率与预测精度,适用于电子系统状态在线监测.

利用粒子群优化的小波简化交叉验证消噪

阈值是小波阈值消噪方法中决定消噪结果的关键因素。针对被高斯噪声污染的信号消噪问题,提出一种用于估计最优阈值的简化交叉验证方法。该方法利用信号奇偶划分后,奇序列与偶序列间的相似性减少了交叉验证方法的计算代价,并结合粒子群优化实现最优阈值的进化搜索。模拟信号消噪分析与转子故障信号消噪实例表明,该算法显著提高了交叉验证方法的计算效率,且消噪性能与交叉验证方法相近。

基于小波分析与LSSVM的陀螺仪随机漂移建模

为了提高陀螺仪的使用精度,以陀螺仪随机漂移时间序列为研究对象,建立了基于小波分析和最小二乘支持向量机(LSSVM)的陀螺仪随机漂移模型。陀螺仪作为高精度敏感器件,其随机漂移信号具有非线性、弱平稳性等特点,难以补偿。为了提高补偿精度,这里采用小波分析对陀螺仪随机漂移信号进行多尺度分解,利用最小二乘支持向量机方法对重构后的近似序列和细节序列建立非线性子模型,最后将各子模型输出融合作为组合模型输出。最后将该算法用于动调陀螺仪的随机漂移建模,实验结果表明基于该组合算法的非线性模型能够有效地反映陀螺仪的随机漂移特性,建模效果明显优于直接采用LSSVM和ANN建立的模型。

基于最优分解尺度的静态提升小波去噪方法

阈值函数选择和分解尺度确定是基于阈值的小波域非线性滤波的两个关键步骤。针对加性白噪声的情况,通过研究小波阈值去噪原理,得出了重构信号信噪比随分解尺度的单增变化规律,构造了用于指示最优分解尺度的目标函数;在分析白噪声小波系数高斯分布特性的基础上,提出了一种基于概率理论的阈值函数,通过极小化广义阈值估计偏差函数,得到了该阈值函数中参数的最优分布区间。仿真结果表明,构造的目标函数能够准确指示信号分解的最优尺度,广泛适用于硬阈值类函数;新阈值函数与另外两种改进型阈值函数相比,在信噪比意义下表现出一定的优越性。

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.

高精度时变参数模型谱估计及应用

现有时变自回归(TVAR)模型参数谱估计容易导致谱峰漂移。针对该问题,提出一种基于组合目标函数和遗传算法的TVAR参数估计方法,并将之应用于飞行器结构响应序列的建模及谱估计。通过U-C算法获得TVAR模型参数的初始估计;依据现代谱估计理论结合连续函数极值存在的必要条件,推导模型参数的频域约束条件并构造组合目标函数;采用遗传算法对模型参数初始估计值进行优化。应用结果证明了该方法的有效性。

基于多面体不变集的变终端约束集RMPC

针对一类状态和输入受约束的多胞不确定线性时变系统,提出了一种基于多面体不变集的变终端约束集鲁棒模型预测控制算法。首先采用基于状态反馈增益的多面体不变集计算方法,给出了一种新的控制不变集序列构造方法,然后以控制不变集序列的并集作为终端约束集,结合在线优化和增益切换,实施变终端约束集双模鲁棒预测控制。该算法不仅有效地扩大了终端约束集,而且采用离线方式计算不变集序列降低了在线运算量。最后仿真结果验证了算法的有效性。

基于WT与LSSVC的信号消噪方法及其在转子故障诊断中的应用

噪声是影响转子早期故障特征有效识别与准确提取的主要因素。针对转子故障信号的消噪问题,提出一种基于最小二乘支持向量分类器的小波消噪方法。该方法以信号与噪声在小波域内的统计特征为理论依据,通过构造最小二乘支持向量分类器,以分类方式实现小波域内的信号与噪声判别,并对信号与噪声小波系数采取衰减策略以弱化噪声污染。模拟信号消噪分析与转子故障信号消噪实例表明,该方法可有效抑制信号中的噪声干扰,在信噪比与均方误差意义下的消噪性能优于小波阈值消噪方法。

基于TVARMA的飞行器结构响应序列参数谱估计

针对时变自回归滑动平均(TVARMA)模型参数谱估计容易出现谱峰漂移的问题,提出一种基于组合目标函数和遗传算法的TVARMA模型参数估计方法,并将之应用于飞行器结构响应序列的谱估计。首先,通过长自回归方法和增广最小二乘方法获得TVARMA模型参数初始估计值;其次,依据连续函数极值条件推导模型参数的频域约束条件并结合罚函数方法构造组合目标函数;最后,采用遗传算法对模型参数进行优化获得使组合目标函数最小的参数值作为TVARMA模型参数的最优估计。应用结果表明:该方法可以克服谱峰漂移现象,提高模型在时域和时频域的建模精度。

适用于小子样时间序列预测的动态回归极端学习机

针对设备状态在线监测中的小子样建模问题,提出一种基于动态回归极端学习机(dynamic regressionextreme leaming machine,DR-ELM)的设备状态在线监测方法.该方法利用设备状态数据训练基于DR-ELM的预测模型,通过逐次增加新数据与删减旧数据的方式,对DR-ELM预测模型进行在线训练,从而实现对设备状态的准确预测.混沌时间序列预测仿真与基于时间序列预测的风机状态监测实例表明,相比于极端学习机(extreme learningmachine,ELM)与在线贯序极端学习机(on-line sequential extreme learning machine,OS-ELM),该方法的计算效率与预测精度更高.

Ka频段卫星信道建模与纠错编码研究

在分析Ka频段静止卫星信道特点的基础上,建立了信道仿真模型并进行了基带仿真,研究了不同天气条件下静止卫星通信系统的误比特率性能,基于这一模型通过仿真研究了串行级联Turbo码在静止卫星信道条件下的性能。仿真结果表明,除了中雨、雷雨等恶劣天气状况之外,在通常的天气条件下,串行级联Turbo码可以提供约10dB左右的编码增益,可有效改善系统性能。

基于H_∞最优化与层次结构动态逆的非线性飞行控制器设计

针对扰动环境下的导弹飞行控制问题提出一种基于H∞最优化与层次结构动态逆(HSDI)的鲁棒非线性控制方法。设计层次结构动态逆控制器时将层次结构优化为3层,并按照时标分离的思想调整了各层次的状态变量,使得控制器更为简洁。在此基础上,将层次结构动态逆控制器与导弹6自由度(DOF)非线性模型联合作为H∞控制的广义被控对象,通过引入二自由度H∞最优化理论并重构广义被控对象的状态变量设计了H∞鲁棒控制器。闭环系统的奇异值分析和对某型有翼导弹进行的6自由度飞行仿真表明,所设计的飞行控制器具有良好的指令跟踪和抗干扰能力。

基于贯序正则极端学习机的时间序列预测及其应用

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法。SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测。基于SRELM的预测方法利用特征参数训练SRELM模型,以逐次增加新数据的方式对SRELM模型进行在线训练,并利用训练后的SRELM模型对未来时刻的特征参数进行外推预测。液压泵特征参数预测实例表明,基于SRELM的特征参数预测方法具有预测精度高与计算效率高的优点,其综合性能优于基于传统迭代式神经网络的预测方法与基于支持向量机的预测方法。

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。

具有选择与遗忘机制的极端学习机在时间序列预测中的应用

针对训练样本贯序输入时的极端学习机(ELM)训练问题,提出一种具有选择与遗忘机制的极端学习机(SF-ELM),并研究了其在混沌时间序列预测中的应用.SF-ELM以逐次增加新训练样本的方式实现在线训练,通过引入遗忘因子以减弱旧训练样本的影响,同时以泛化能力为判断依据,对其输出权值进行选择性递推更新.混沌时间序列在线预测实例表明,SF-ELM是一种有效的ELM在线训练模式.相比于在线贯序极端学习机,SF-ELM具有更快的在线训练速度和更高的在线预测精度,因此更适于混沌时间序列在线预测.

基于支持向量经验模态分解的故障率时间序列预测

针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。