导读:本文包含了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:氧气管网系统,系统辨识,管网仿真,精度提高
动态系统辨识论文文献综述
张子阳,孙彦广[1]（2018）在《基于动态系统辨识的钢铁企业氧气管网系统的研究》一文中研究指出针对钢铁企业氧气管网建模过程中由于简化假设导致模型精度不高,影响氧气调度的问题,造成氧气放散,提出了一种基于动态系统辨识氧气管网的建模方法,该方法综合了氧气管网的特征与实际系统中的氧气动态调度,通过对模型的辨识,提高了管网计算模型的计算精度。通过实测输入输出数据,首先选择系统模型阶次,然后用递推最小二乘法对模型参数进行确定,最后通过高炉和转炉同时运行时、多个转炉同时运行时不同工况进行验证,辨识所得到的模型能更准确地描述实际的系统运行状态。在不同用户管网其输出值与实际数值误差较小,验证了该模型的有效性和适用性。(本文来源于《计算机应用与软件》期刊2018年04期）
慕昆,彭金柱[2]（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[3]（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）
李兆飞,柴毅,任小洪[4]（2015）在《混沌分形特征与支持向量数据域描述辨识机械动态系统异常》一文中研究指出为了在微弱故障征兆出现时能通过正常状态对异常进行辨识,针对通常动态系统故障状态样本缺乏的单值分类问题,提出混沌分形特征组合及支持向量数据域描述(support vector data description,SVDD)的动态系统振动异常辨识方法。该方法采用误诊和漏诊两种分类错误的SVDD接受者操作特征(receiver operating characteristic,ROC)曲线,通过分析振动混沌分形特征,选取最大Lyapunov指数和关联维数的最优组合,进而建立正常状态样本单值SVDD分类器,并对可提高分类精度的试验验证法优选核函数参数进行了探讨。试验及测试表明,SVDD-ROC方法避免了传统特征选取对具体故障类型样本的依赖性,选取的特征组合对正常和故障样本有较好的自聚类性,SVDD方法仅需要正常状态样本就能辨识异常状态,并且对未知故障也有较好的异常辨识能力。该研究可为动态系统异常状态提供建模与检测的理论基础和设计依据,有效预防突发事故,节约维修成本,提高动态系统的利用率,保障其安全运行,有效降低成本。(本文来源于《农业工程学报》期刊2015年10期）
陈姣[5]（2015）在《基于子空间辨识方法的动态系统的故障检测与诊断》一文中研究指出在工程应用和学术研究中,故障诊断已经受到越来越多的关注,而数据驱动方法在过程控制的故障检测和诊断中有广泛的应用。被广泛使用的数据驱动方法都是起源于计算机科学的典型的机器学习方法,如人工神经网络、隐马尔科夫模型和支持向量机等。但是,多元变量分析似乎只对处理处于稳定状态的动态系统和大规模系统的高阶水平才有效,相对而言,子空间辨识方法迅速发展,逐步成为系统辨识研究中的主流,它为高阶动态系统和处于过程水平的控制环路的FDI问题提供了更有效和强大的工具。以应用角度来看,基于子空间辨识方法,从原始数据到最后的完成需要叁个阶段:系统辨识,故障检测和辨识系统设计和故障检测和辨识系统的在线实现。而基于模型的FDI系统包含两部分即残差生成和残差估计,其中又包含阈值设定和做决策。另外,子空间辨识方法的基本计算工具是QR分解和奇异值分解(SVD)子空间辨识方法的最大优点在于他能像基于机理模型的FDI系统一样能够提供高性能的FDI模型,但它没有复杂的系统设计,即子空间辨识方法不像其他辨识方法一样需要实行模型参数化和非线性最优化,从而提高效率并减少了计算复杂度。文章通过存储输出输入数据,我们可以得到一些与生成状态空间模型的信号的系统矩阵相关的子空间,这可以成功地实现故障诊断并减少算法的复杂度。其次,文章通过引入赤池信息准则对系统阶数进行辨识,与传统的奇异值分解方法进行比较并分析其优劣,获得相对较好的效果并降低计算复杂度,在一定程度上改进了原有算法。在数据比较庞大时,奇异值分解会导致计算量过大,奇异值之间差距很大,故在确定最优的阶数时有一定的主观性;相反,数据量越大时,根据统计学的知识,赤池信息量的确定更为有利,直接获取相对较优的阶数。最后,文章运用田纳西伊斯曼过程的数据进行仿真,进一步对所改进的算法法进行了直观验证。(本文来源于《华中科技大学》期刊2015-05-01）
赵军圣[6]（2015）在《动态系统参数辨识中的奇异性研究》一文中研究指出诸如神经网络在内的层次网络中普遍存在奇异性。奇异性问题的研究已经成为当前的一个重要发展方向。层次网络中的奇异性导致许多奇异现象发生：Cramer-Rao定理不再成立,极大似然估计不再具有渐近高斯性,收敛速度变得极为缓慢,平坦区现象出现等等。如何降低奇异性影响,加快学习动态中的收敛速度是一项非常有意义的研究课题。本文围绕径向基函数神经网络(MLPs)学习和非线性系统辨识中的奇异性问题,以信息几何方法为基础,提出了应用于RBFs学习和非线性系统辨识中的自适应自然梯度算法。下面将全文的主要工作进行总结：(1)研究了线性系统辨识和非线性系统辨识中的奇异性是否存在的问题。将非线性系统分为两类,并分别对它们辨识中的奇异性存在问题进行研究。就线性系统和关于参数线性的非线性系统辨识而言,在假设噪声是高斯白噪声的情况下,得到这两类系统的Fisher信息矩阵,并证明该信息矩阵在信号是充分激励的条件下始终正定。对关于参数非线性的非线性系统,因为这类系统中包含系统的种类比较多,只能选择常见的某类系统进行分析。通过对噪声信号的假设,得到其Fisher信息矩阵,以及该矩阵退化的区域。对所研究系统,作出了误差变化曲线,观察该曲线中是否存在平坦区现象,以及平坦区现象出现的区域,以验证理论推导。(2)提出了一种应用于RBFs学习的自然梯度学习算法。在假设输入信号是高斯变量的情况下,得到了Fisher信息矩阵。利用Sherman-Morrison公式得到了Fisher信息矩阵的逆矩阵的具体表达式。在隐节点数目较多的情况下,Fisher信息矩阵及其逆矩阵的计算非常困难。本文结合Kalman滤波技巧和一个等式提出了能够应用于RBFs的自适应自然梯度算法。并且将这种方法应用于非线性函数拟合,Mackey-Glass混沌时间序列预测,非线性时变系统辨识等等,与文献资料中的结果对比发现,所提算法能够取得好的学习效果。(3)针对关于参数非线性的非线性系统辨识中出现的奇异性,研究了自然梯度学习算法在该类非线性系统辨识中的应用。在假设输入信号是均匀变量的情况下,得到了Fisher信息矩阵。并利用Sherman-Morrison公式得到了Fisher信息矩阵的逆矩阵的具体表达式。在系统项数较多的情况下,Fisher信息矩阵及其逆矩阵的计算非常困难。另外,在实际问题中,输入信号的概率分布未知,本文结合Kalman滤波技巧和一个等式提出了能够应用于这类关于参数非线性的非线性系统辨识的自适应自然梯度学习算法。通过数值仿真发现,所提算法能够有效降低奇异性影响,加快学习动态,取得好的辨识结果。(4)针对混合高斯模型中出现的奇异性,本章研究了自然梯度学习算法在该类模型中的应用。在假设x是高斯变量的情况下,得到了Fisher信息矩阵,利用Sherman-Morrison公式得到了Fisher信息矩阵的逆矩阵的具体表达式。在高斯分量较多的情况下,Fisher信息矩阵及其逆矩阵的计算非常困难。为了克服自然梯度学习算法的执行困难,本文提出了能够应用于混合高斯模型的自适应自然梯度学习算法。(本文来源于《东南大学》期刊2015-01-01）
杨文茵,张德丰,王传胜[7]（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[8]（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）
杨开林,汪易森[9]（2011）在《调水工程闸门特性的动态系统辨识》一文中研究指出本文研究了调水工程调节闸门(阀门)特性的动态系统辨识原理及方法。提出了闸门特性动态系统辨识的数学模型,通过数学变换将阀门非线性特性数学模型转换为线性模型,然后应用最小二乘法进行系统辨识,以便克服水力测量动态误差的影响。最后利用实测数据验证所提理论和方法的可行性和实用性。(本文来源于《水利学报》期刊2011年11期）
王荣杰,朱昱[10]（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）
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：
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。
（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。
动态系统辨识论文参考文献
[1].张子阳,孙彦广.基于动态系统辨识的钢铁企业氧气管网系统的研究[J].计算机应用与软件.2018
[2].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
[3].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
[4].李兆飞,柴毅,任小洪.混沌分形特征与支持向量数据域描述辨识机械动态系统异常[J].农业工程学报.2015
[5].陈姣.基于子空间辨识方法的动态系统的故障检测与诊断[D].华中科技大学.2015
[6].赵军圣.动态系统参数辨识中的奇异性研究[D].东南大学.2015
[7].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
[8].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
[9].杨开林,汪易森.调水工程闸门特性的动态系统辨识[J].水利学报.2011
[10].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