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.     

含间隙非线性二元翼段的系统辨识

在实际包含间隙非线性的复杂结构中,由于间隙不易或无法测量,难以建立准确描述结构特性的动力学模型;即使间隙得到准确测量,也难以获得结构的标称线性系统的模态参数。为此,利用条件逆谱法和时域非线性子空间法,通过非线性系统辨识获得间隙非线性系数,同时获得非线性结构的标称线性系统的频响函数。以一个包含间隙非线性的二元翼段为例,通过数值方法模拟该二元翼段的地面振动试验,利用条件逆谱法和时域非线性子空间法开展该结构的非线性系统辨识。结果表明:两种方法均可准确地辨识结构的标称线性系统,条件逆谱法利用光滑函数近似,时域非线性子空间法利用多个分段线性函数重构,辨识得到间隙非线性系数。      

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.      

一般非线性系统的鲁棒输出调节

对未扰零误差流形与受扰零误差流形进行了定义，讨论了两者的关系，给出了保证受扰零误差流形与未扰零误差流形的差有界时，系统所受的状态扰动应满足的条件；分析了受扰零误差流形上的输出调节，给出了受扰零误差流形上的输出调节误差满足指定性能指标时，系统所受的输出扰动应满意的条件。     

基于对角回归网络的非线性系统建模

分析了非线性系统神经网络建模的规律,利用对角回归神经网络(DRNN)实现了非线性动态系统的辨识.辨识结构采用串并联模式,网络权值的调整为考虑时变因素的调整算法.与静态神经网络相比,基于DRNN的辨识方法显示出很强的处理动态问题的能力,无需辨别系统阶次,辨识结构简单,收敛速度快.仿真结果表明该方法是有效可行的.      

抗控制饱和的鲁棒非线性飞行控制方法

飞行器在大包线范围内作机动飞行时,其舵面和发动机易达到饱和,该现象不仅会对闭环系统的稳定性造成影响,而且会大大缩短发动机等关键部件的使用寿命。针对该问题,设计了一种抗饱和非线性飞行控制方法。首先,建立飞行器的严格反馈非线性模型。然后,采用自适应反步设计思想设计得到舵控和发动机转速控制指令,由径向基函数（RBF）网络对建模误差进行逼近。针对控制饱和问题,分别设计了相应的抗饱和动态补偿系统。通过建立闭环控制系统的李雅普诺夫函数,由稳定性理论确定得到RBF网络的更新权值和抗饱和动态补偿系统的结构参数,确保所设计的闭环控制系统全局稳定。最后,仿真结果表明,在出现控制饱和时,抗饱和动态补偿系统可对控制指令进行实时修正,帮助系统较快脱离饱和状态,系统饱和时间缩短了30%~60%,同时具有较高的指令跟踪精度。      

仿射非线性系统的二阶滑模控制律研究

分析现有滑模控制算法特别是二阶滑模控制算法在抑制抖动和鲁棒性等方面所存在的问题,以仿射非线性系统为对象,针对近似时间最优的二阶滑模控制律收敛速度慢和抖振较大的问题,提出改进控制算法,通过设计适当的约束条件和修正滑模趋近加速度,提高了二阶滑模的响应速度,并在不损失鲁棒性的前提下削弱了抖振的频率和幅度.以单摆模型为例,分别对该算法和二阶Lyapunov函数法以及一阶指数趋近法进行仿真研究,仿真结果表明该算法适用于具有不确定性的非线性系统,并在削抖和快速响应方面具有相对优势.     

椭球状态定界的鲁棒算法

提出了一种计算鲁棒的线性离散时间系统的椭球状态定界算法.算法假设系统的过程和量测噪声以及初始状态由已知椭球来定界,然后利用椭球集合来描述系统真实状态的可行集.算法的时间更新和量测更新过程分别产生两个椭球的向量和与交.算法对椭球形状矩阵进行Cholesky分解,使得当存在舍入误差时椭球形状矩阵保持正定.为了不受病态矩阵求逆的影响,算法的量测更新过程采用了求次最小容积椭球的方法.采用在数字计算机上进行蒙特卡洛仿真来检验算法的性能.结果表明算法的精度与最优算法十分接近,并且具有很好的计算鲁棒性.算法同时具有易于在并行计算机上运行的优点.      

径向基过程神经元网络及其应用研究

提出了一种径向基过程神经元网络,该网络模型为3层前向结构,由输入层、径向基过程神经元隐层和输出层组成.输入层到隐层的变换是非线性的,隐层到输出层的变换是线性的.隐层神经元完成对过程式输入信息的模式匹配和对时间的聚合运算,输出层对输入模式作出响应.在输入空间中引入函数正交基,将输入函数在正交基下展开,利用基函数的正交性,简化聚合运算过程.给出了相应的学习算法,并以旋转机械故障诊断问题为例验证了模型和方法的有效性.      

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.      

基于RBF神经网络的控制电器元件故障诊断

针对控制电器元件故障征兆与故障类型之间的非线性映射关系,提出了基于径向基函数神经网络RBFNN(Radial Basis Function Neural Network)的控制电器元件故障诊断方法.在分析控制电器元件故障机理和失效形式的基础上,提取出描述故障类型的典型故障特征矢量.给出在获得足够多故障信息的情况下,运用RBFNN进行故障诊断的模型及整个故障诊断算法的实现过程.为了验证故障诊断模型的有效性和合理性,利用训练好的RBFNN对故障特征矢量进行识别.仿真结果表明,RBFNN能克服诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求.      

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

非线性回归支持向量机的SMO算法改进

为了解决非线性数据和非线性函数的回归问题,采用了支持向量机序列最小优化算法.原始序列最小优化（SMO,Sequential Minimal Optimization）算法存在训练速度慢和训练结果不稳定的缺点,为了能加快SMO算法的训练速度和提高训练结果稳定性,通过改进优化乘子更新方法、采用双阈值法、预存核函数、增加停机准则等方法对SMO算法做了改进.仿真实验表明,改进的算法能很好地对非线性数据和非线性函数进行回归,具有比原始SMO算法更快的训练速度和稳定的训练结果.      

非线性系统的全局线性输出反馈镇定

考虑了利用线性输出反馈全局镇定一类不确定非线性系统的问题.已有线性输出反馈控制中三角型约束条件被推广到了非三角型条件.构造了一个线性高增益观测器和一个耦合的线性高增益控制器,并利用增益尺度变换的方法,证明了闭环系统的全局稳定性.仿真结果说明该方法的有效性.