导读:本文包含了非线性动态系统辨识论文开题报告文献综述及选题提纲参考文献，主要关键词:复杂工业过程,监控系统,运行指标,交替辨识
非线性动态系统辨识论文文献综述
张亚军,柴天佑,杨杰[1]（2017）在《一类非线性离散时间动态系统的交替辨识算法及应用》一文中研究指出表征产品在工业过程加工的质量、效率、成本、能耗或物耗等的运行指标与过程控制系统的输出密切相关,它们之间的动态模型往往机理不清,具有强非线性,难以用精确数学模型描述,但运行指标的预报对运行操作具有重要意义.本文利用工业过程在工作点附近工作的特点,将过程控制系统的输出与运行指标之间的动态模型描述成线性模型与高阶非线性项即未建模动态组成,对线性模型以及未建模动态提出了一种由改进的投影算法与未建模动态估计算法组成的交替辨识算法.最后,通过数值仿真实验和电熔镁炉的真实数据进行功率预报实验,实验结果表明了所提方法的有效性.(本文来源于《自动化学报》期刊2017年01期）
张伟,许爱强,平殿发[2]（2017）在《基于稀疏化核方法的非线性动态系统在线辨识》一文中研究指出为了抑制辨识模型阶数的不断增长,适应系统的时变动态特征,以滑动时间窗为基本建模策略,提出了一种具有自适应正则化因子的核超限学习机(kernel extreme learning machine,KELM)在线辨识方法。通过构建新的目标函数,使得正则化因子可以随着系统动态而改变,保证了模型在不同的非线性区域拥有不同的结构风险;通过构建统一的学习框架,在保证每一次训练迭代中学习过程稀疏化的同时,实现了核权重系数与正则化因子的同步更新。实验结果表明,提出的方法相比与其他基于KELM的在线序贯学习方法,在有无噪声的情况下,均可以有效提升辨识精度,并且具有更好的稳定性。(本文来源于《系统工程与电子技术》期刊2017年01期）
慕昆,彭金柱[3]（2015）在《基于Hammerstein型神经网络的非线性动态系统辨识》一文中研究指出Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。(本文来源于《计算机应用与软件》期刊2015年10期）
张亚军,柴天佑[4]（2015）在《一类非线性离散时间动态系统的交替辨识算法》一文中研究指出针对一类单输入单输出(Single-input single-output,SISO)离散时间非线性动态系统,提出了一种由改进的投影算法与未建模动态估计算法组成的交替辨识算法。该算法首先给出了非线性系统动态模型的辨识方程,并在系统线性模型已知的情况下,给出了一种未建模动态的开环估计算法;在系统模型完全未知的情况下,采用改进投影算法与基于BP神经网络的未建模动态估计算法交替辨识的方式对整个非线性系统进行辨识,给出了算法的详细步骤。最后,通过仿真实验,验证了所提算法的有效性.(本文来源于《第26届中国过程控制会议（CPCC2015）论文集》期刊2015-07-31）
杨文茵,张德丰,王传胜[5]（2014）在《基于非线性动态系统辨识的D-FNN算法研究》一文中研究指出D-FNN的基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看作是基于归一化的高斯RBF神经网络。D-FNN算法中,不仅参数可以在学习过程中调整,同时,也可以自动确定模糊神经网络的结构。非线性参数是由训练样本和高斯宽度直接决定的,只需一步训练就可以达到目标。由于修剪策略的应用,网络的结构不会持续增长,因而确保了系统的泛化能力。使用D-FNN对非线性动态系统辨识进行了仿真,并与相关算法作比较,从而发现了D-FNN算法的有效性和高效性。(本文来源于《中山大学学报(自然科学版)》期刊2014年05期）
谢扬球[6]（2013）在《基于叁明治模型的非光滑非线性动态系统辨识与控制》一文中研究指出随着工业生产的发展，对控制精度、灵敏度等技术指标提出了越来越高的要求；控制对象也变得越来越复杂，组成部件不断增多。如果某些部件存在非线性特性，则对象就不能再当作线性系统进行处理了；进一步，如果这些非线性特性还是非光滑的（例如：死区、间隙、迟滞等），并且前后两端与其它部件相连接，将导致这类对象无法采用常规的辨识和控制方法进行处理。进一步分析可知：对于这类系统，往往只是在一个或少数几个组成部件中存在非光滑非线性特性，但是，辨识和控制的主要困难恰恰是这些不可测的非光滑非线性特性。本论文紧密结合多维超精密运动系统的课题研究，依据实验结果和在研究中发现的各种问题，采用叁明治模型对包含死区、间隙和迟滞特性的复杂非光滑非线性动态系统进行辨识和控制研究，系统的提出了一种基于退化激励的两步辨识方法，并在此基础上设计了相应的非光滑叁明治控制器，有效地提高了轨迹运动的控制精度和灵敏度，取得了以下研究成果：首先对由“电机＋滚珠丝杠”驱动的宏平台进行研究，通过实验和分析：死区特性严重影响了系统的运动精度和灵敏度；而且，由传动链和摩擦引起的死区特性位于电机和负载平台之间，无法直接测量和补偿，构成一个非光滑叁明治死区系统。针对于此，首先根据非线性特性的局部激励思想和死区的特点，设计一个特殊的退化激励信号，在充分激励两端线性环节的基础上，局部激励死区特性并将其退化为一个线性函数。接着，利用关键项分离技术重构出具有参数线性化结构的整体表达式，并在一定的独立约束条件下，采用广义递推辨识算法（RGIA）首先将两端的线性环节辨识出来。最后，重新设计输入信号充分激励死区环节，并根据上一步的辨识结果重构出对应的中间变量，从而将死区环节辨识出来。仿真和实验结果都验证了所提出辨识方案的有效性。进一步的实验和分析发现：除了死区特性以外，宏平台中还存在非光滑间隙特性，当进行微米级精度的轨迹运动时，间隙特性的影响就显着的暴露出来了。间隙特性也是由传动系统产生，不能进行直接测量和补偿，构成一个非光滑叁明治间隙系统。间隙不仅具有局部记忆性，还存在多值映射现象，对叁明治间隙系统的辨识更困难。因此，本章首先设计一个单调的随机独立增量信号作为退化激励信号，信号的单调性可以消除间隙特性的动态记忆性和多值映射现象，将非线性间隙环节退化为一个线性函数。于是，参考叁明治死区模型辨识过程，依次将两端线性环节和中间非线性间隙环节辨识出来。进一步，纳米级精度的运动必须由压电陶瓷执行器来实现，在同时要求运动精度和灵敏度的情况下，滤波放大电路和柔性铰链的动态特性不能被忽略，构成一个非光滑叁明治迟滞系统。由于迟滞特性具有全局动态性、次环全等、频率依赖等特征，辨识叁明治迟滞系统是一个全新的挑战。通过实验和分析发现：如果迟滞从零时刻开始被单调信号激励，其输入输出曲线仅仅是一条静态非线性曲线，可以用多项式进行拟合。因此，本章提出一种两步辨识方案：首先设计一个特殊的退化激励信号，将迟滞特性退化为一条非线性曲线；再利用关键项分离技术和广义递推最小二乘法（RGIA）首先辨识两端线性环节。在此基础上，重新设计输入信号充分激励迟滞特性并重构中间信号，采用“扩展输入空间法”建立迟滞特性的神经网络模型，从而将叁明治迟滞系统完全辨识出来。接下来，对上述几章进行总结，提出一种具有普遍适用性的非光滑叁明治辨识方法——基于退化激励的两步辨识法。这种辨识策略的核心是：针对系统所包含的非光滑非线性特性的具体特点和产生各种非光滑非线性现象的根本原因，分别从频域和幅值角度出发，设计相应的退化激励信号，在充分激励两端线性环节的基础上局部激励中间非光滑非线性环节，从而在第一步的线性子模型辨识中，避免各种不利特性对参数估计的影响。此外，本章还对辨识过程中的若干问题进行了深入的分析和讨论。最后，依据上述的辨识结果，设计了对应的非光滑叁明治控制器并实际应用于超精密运动系统中。首先，对于第一个线性子模型可以真实辨识的叁明治死区和间隙系统，提出一种直接逆模型补偿的控制方案：在消除第一个线性环节影响后，采用非线性逆模型直接补偿非线性环节，将叁明治系统的控制问题转化为一个带扰动的线性系统控制问题。其次，对于无法真实重构第一个中间信号的叁明治迟滞系统，分别提出基于前馈补偿控制和内模控制的方案，利用已辨识的叁明治模型消除或补偿系统中的非线性迟滞特性，再采用现有方法设计强鲁棒控制器，实现对复杂非光滑非线性系统的有效控制。最后，针对多维PEA平台中存在的轴间耦合扰动问题，设计了一个基于叁明治迟滞模型的解耦控制器，进一步提高系统的运动精度。实际的控制实验结果验证了所提出控制方案的有效性。(本文来源于《西安电子科技大学》期刊2013-09-01）
王荣杰,朱昱[7]（2011）在《基于FLANN的非线性动态系统辨识》一文中研究指出采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.(本文来源于《集美大学学报(自然科学版)》期刊2011年02期）
徐联云[8]（2010）在《迟滞非线性动态系统“灰箱”辨识和控制》一文中研究指出为了减轻非线性动态系统中未知迟滞(Hysteresis)非线性的不良影响,本文利用理论建模结合神经网络-"灰箱"建模与控制的方法,提出控制方案。由于建立的迟滞非线性Preisach模型精度的差异,用于控制方案,所达到的效果并不理想,因此,用神经网络加以补偿,既克服了模型的失配,又减轻了系统中未建模非线性对象和系统干扰的影响,达到了较好的控制效果。通过仿真试验,证明了所提出方案的有效性。(本文来源于《科技致富向导》期刊2010年27期）
吴德会[9]（2010）在《Hammerstein非线性动态系统的神经网络辨识》一文中研究指出针对单输入单输出的哈默斯坦模型,提出了一种利用特殊神经网络结构的非线性动态系统辨识新方法.在该方法中,先将模型辨识问题转化为对神经网络的训练问题,再使用误差反向传播算法解决网络的迭代训练问题,最后实现了对哈默斯坦模型中无记忆非线性增益和线性动态环节参数的同时辨识.通过仿真实验说明了该方法的可行性,实验结果同时还表明该方法简单有效,易于推广.(本文来源于《第二十九届中国控制会议论文集》期刊2010-07-29）
许少华,何新贵[10]（2010）在《一种基于过程神经元网络的非线性动态系统辨识模型及应用》一文中研究指出针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络(PNN)的辨识模型和方法.根据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN对时变输入/输出信号的非线性变换机制和自适应学习能力,建立基于PNN的系统辨识模型.辨识模型能够同时反映多输入时变信号的空间加权聚合以及阶段时间效应累积结果,直接实现非线性系统输入/输出之间的动态映射关系.文中构建了用于并联结构和串-并联结构辨识的PNN模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性.(本文来源于《信息与控制》期刊2010年02期）
非线性动态系统辨识论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了抑制辨识模型阶数的不断增长,适应系统的时变动态特征,以滑动时间窗为基本建模策略,提出了一种具有自适应正则化因子的核超限学习机(kernel extreme learning machine,KELM)在线辨识方法。通过构建新的目标函数,使得正则化因子可以随着系统动态而改变,保证了模型在不同的非线性区域拥有不同的结构风险;通过构建统一的学习框架,在保证每一次训练迭代中学习过程稀疏化的同时,实现了核权重系数与正则化因子的同步更新。实验结果表明,提出的方法相比与其他基于KELM的在线序贯学习方法,在有无噪声的情况下,均可以有效提升辨识精度,并且具有更好的稳定性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非线性动态系统辨识论文参考文献
[1].张亚军,柴天佑,杨杰.一类非线性离散时间动态系统的交替辨识算法及应用[J].自动化学报.2017
[2].张伟,许爱强,平殿发.基于稀疏化核方法的非线性动态系统在线辨识[J].系统工程与电子技术.2017
[3].慕昆,彭金柱.基于Hammerstein型神经网络的非线性动态系统辨识[J].计算机应用与软件.2015
[4].张亚军,柴天佑.一类非线性离散时间动态系统的交替辨识算法[C].第26届中国过程控制会议（CPCC2015）论文集.2015
[5].杨文茵,张德丰,王传胜.基于非线性动态系统辨识的D-FNN算法研究[J].中山大学学报(自然科学版).2014
[6].谢扬球.基于叁明治模型的非光滑非线性动态系统辨识与控制[D].西安电子科技大学.2013
[7].王荣杰,朱昱.基于FLANN的非线性动态系统辨识[J].集美大学学报(自然科学版).2011
[8].徐联云.迟滞非线性动态系统“灰箱”辨识和控制[J].科技致富向导.2010
[9].吴德会.Hammerstein非线性动态系统的神经网络辨识[C].第二十九届中国控制会议论文集.2010
[10].许少华,何新贵.一种基于过程神经元网络的非线性动态系统辨识模型及应用[J].信息与控制.2010