测量数据部分丢失的非线性系统迭代学习控制

研究非线性离散系统的迭代学习控制．利用并行分配补偿方法(PDC)确定非线性系统的T-S模型,把非线性模型特换为局部线性模型。假定数据丢失的概率已知,采用满足Bernoulli分布的序列来描述测量数据的丢失,研究具有测量数据部分丢失的线性离散系统的迭代学习控制器的设计。结合T-S模型设计了数据丢失的迭代学习控制器,所设计的迭代学习控制器具有期望收敛特性和二次型性能指标。仿真结果表明了该设计方法的有效性。     

基于小波神经网络的多模型故障检测

提出了一种利用小波神经网络辨识非线性系统多模型故障的方法。证明了状态估计误差渐近收敛到零，同时证明了如果激活函数满足持续激励条件，辨识器参数将趋于理想辨识器参数。分析了多模型辨识结构，并将小波神经网络作为辨识器应用于多模型故障检测。给出了小波神经网络进行非线性系统逼近的实例，用小波神经网络辨识器对多故障模型检测进行了仿真，证明了此方法的正确性和可行性。     

飞机颤振模态参数辨识的期望最大化

文章采用一种适用于噪声环境的期望最大化算法,准确地辨识飞机的颤振模态参数.在建立随机状态空间模型的基础上,该算法以迭代的形式计算似然函数的最大值,它包括两步:期望和最大化.无需计算对数似然函数的二阶偏导及其近似式,可提高似然函数收敛于平稳点的可能性.算前采用新息方差准则估计出系统的阶数,以减少计算复杂度.最后利用试飞试验数据辨识飞机的系统参数,验证了其方法的有效性.     

柔性结构系统的子空间分析方法

子空间状态空间系统辨识(4SID)方法是分析线性振动系统动态特性的一种新的时域方法。该方法直接从测量数据辨识出系统的状态空间模型,无需非线性搜索和参数正则化,具有良好的数值特性,尤其适用于复杂的高阶多变量系统。本文应用其对一已知模态的桁架结构进行了仿真分析。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习,不需要离线训练。在无逼近误差和扰动的理想情况下,所提出的在线算法能保证辨识误差趋于零,基函数持续激励条件能保证权重趋于零。在非理想情况下,权重调整律采用ｅ修正权重算法,它是ＢＰ算法的推广,不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

Fuzzy模型与线性模型的比较

针对一组非线性的输入／输出数据,用两种Ｆｕｚｚｙ辨识方法进行了模型辨识,并与线性模型作了比较。结果表明,Ｆｕｚｚｙ模型比线性模型的预报精度高。尤其对于非线性系统,Ｆｕｚｚｙ模型确实有很大的潜力。     

基于径向基神经网络的有限元模型修正研究

设计参数型有限元模型修正属于结构动力学反问题，其理论基础是将结构的特征量视为设计参数的函数。然后依据特征量对设计参数的一阶导数信息进行迭代求解。本文提出了一种基于径向基神经网络的有限元模型修正方法，把模型修正归结为正问题进行研究。首先将特征量视为自变量．设计参数视为因变量，以径向基神经网络逼近两者之间的非线性映射关系，然后利用神经网络的泛化特性直接求解设计参数的目标值。不但无需迭代求解，而且避开了反问题所面临的复杂的非线性优化计算。GARTEUR飞机模型仿真研究的结果表明．修正后设计参数误差在2％以内，模态频率误差在1％以内。     

旋翼飞行器飞行动力学系统辨识建模算法研究

描述了旋翼飞行器飞行力学模型的系统辨识建模算法,从旋翼飞行器飞行动力学建模的共性问题入手,首先采用机理建模的方法分析了旋翼飞行嚣主要气动部件所受气动力.考虑旋翼挥舞运动对旋翼飞行器飞行动力学特性的影响,建立了旋翼飞行器的飞行力学系统辨识参数化模型集.其次以子空间方法辨识初始飞行动力学模型,采用加权频域预报误差法获得最优模型的两步辨识方法解决旋翼飞行器这一非线性不稳定,多输入-多输出系统辨识问题,且所辨识模型与机理模型具有相同的结构.最后对样例直升机的悬停飞行状态模型辨识进行了数值与试飞试验验证,表明了方法的有效性.     

涡扇发动机的一类大包线系统建模

基于涡扇发动机部件级模型,研究了具有非线性和时变特性的涡扇发动机非线性变参数系统建模问题.通过系统辨识的方法,以高压转子转速为调度变量,得到典型工作点的多项式非线性系统.在此基础上,借鉴增益调度思想,将高度和马赫数拟合成系统的时变参数,利用回归算法,建立大包线慢车以上非线性变参数(Nonlinear parameter...     

一类基于神经网络的非线性时延系统的稳定性分析和控制

针对一类有参数摄动和时延的非线性不确定性系统．提出了一种稳定性分析方法。控制方案将鲁棒控制和神经网络控制结合起来．首先由线性矩阵不等式(LMI)设计了参考模型即系统线性部分的鲁棒控制器,然后用神经网络来消除系统建模不确定非线性部分。稳定性分析中综合了参数摄动、时延和神经网络权值．合理地选择Lyapunov函数证明了误差闭环系统的稳定性．