基于粒子群算法的系统辨识方法研究与仿真

基于粒子群算法的系统辨识方法研究与仿真

论文摘要

在现代工业过程中,学者们提出了更多的先进控制技术,但是这些技术多数是需要基于精确对象数学模型的。系统辨识是建立过程对象数学模型的一种有效的方法。目前,我们已经具备了完善和成熟的经典的传统辨识方法,比较流行的辨识算法包括:最小二乘算法、遗传算法、差分进化算法、粒子群算法等,可以在一定程度上克服传统的估计方法的缺点。但是,在这些算法中还有一些可以提出改进措施的地方。在本论文中,首先我们基于标准的粒子群算法提出了一些改进措施,并将该改进算法称之为改进的二阶粒子群算法,随后将该改进算法应用在一类模型结构已知的可以描述成块联模型的非线性系统工业过程中,仿真结果表明该改进算法在非线性系统中的应用是非常有效的。然后,针对一类多输入、单输出的静态系统,提出了一种系统辨识的新方法。该新方法可以实现多变量系统的结构和参数的同时辨识。基本思想是:同时将典型的数学模型与输入变量相互组合,形成众多的子模型,然后在众多子模型中选取拟合实际系统最佳的子模型,同时确定该模型的参数,最终我们将系统的结构辨识问题转化为模型优化问题。随后利用结合了全局和局部搜索的混合PSO-SQP算法,同时实现了系统的结构辨识和参数辨识。仿真结果表明,提出的系统辨识新方法可以实现,具有良好的实用性,给出的混合算法是有效的,具有较高的辨识精度。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 本课题的研究意义和目的
  • 1.2 系统辨识的发展简介
  • 1.2.1 系统辨识的定义和历史
  • 1.2.2 系统辨识研究的现状和趋势
  • 1.2.3 辨识方法简述
  • 1.3 本论文的工作
  • 第二章 常用辨识方法的概述与仿真
  • 2.1 系统辨识简介
  • 2.1.1 系统模型
  • 2.1.2 建立系统数学模型的方法
  • 2.1.3 对象模型
  • 2.1.4 系统辨识的基本步骤
  • 2.2 最小二乘法的研究
  • 2.2.1 最小二乘法原理
  • 2.2.2 系统辨识的最小二乘方法
  • 2.2.3 基于基本最小二乘方法的辨识仿真
  • 2.2.4 基于改进的加权最小二乘方法的辨识仿真
  • 2.3 遗传算法的研究
  • 2.3.1 遗传算法简介
  • 2.3.2 遗传算法的基本原理
  • 2.3.3 基于遗传算法的辨识仿真
  • 2.4 差分进化方法的研究
  • 2.4.1 差分进化方法简述
  • 2.4.2 差分进化方法简单流程
  • 2.4.3 基于差分进化方法的辨识仿真
  • 第三章 基于改进二阶粒子群算法的非线性模型辨识与仿真
  • 3.1 引言
  • 3.2 PSO方法介绍
  • 3.2.1 方法描述
  • 3.2.2 设定PSO算法参数
  • 3.3 二阶粒子群辨识方法的研究
  • 3.3.1 二阶粒子群辨识方法
  • 3.3.2 改进的二阶粒子群辨识方法
  • 3.4 非线性模型简介及仿真研究
  • 3.4.1 非线性系统模型简介
  • 3.4.2 块连非线性系统模型的研究
  • 3.4.3 基于改进的二阶粒子群算法的Hammerstein模型仿真
  • 3.4.4 基于改进的二阶粒子群算法的Wiener模型仿真
  • 3.5 小结
  • 第四章 基于混合粒子群算法的多变量系统辨识的研究
  • 4.1 引言
  • 4.2 系统模型辨识问题描述
  • 4.2.1 模型结构参数
  • 4.2.2 系统模型描述
  • 4.2.3 原模型的选取
  • 4.3 基于混合粒子群算法模型辨识的研究
  • 4.3.1 惯性权重逐减的粒子群算法
  • 4.3.2 PSO-SQP辨识方法简介
  • 4.3.3 基于混合粒子群算法的多变量系统的仿真
  • 4.4 小结
  • 第五章 总结与展望
  • 5.1 全文总结
  • 5.2 今后工作展望
  • 参考文献
  • 致谢
  • 研究成果及发表的学术论文
  • 作者和导师简介
  • 硕士研究生学位论文答辩委员会决议书
  • 相关论文文献

    • [1].电阻率测深数据的粒子群算法反演[J]. 红水河 2019(06)
    • [2].以云计算资源为基础实现粒子群算法的优化[J]. 电子技术与软件工程 2019(24)
    • [3].基于改进粒子群算法的机组负荷优化分配研究[J]. 科技创新导报 2019(28)
    • [4].基于改进粒子群算法的工程项目多目标集成管理研究[J]. 价值工程 2020(05)
    • [5].改进粒子群算法应用于挖掘机铲斗位置控制[J]. 机械设计与制造 2020(02)
    • [6].基于改进量子粒子群算法的输电网规划[J]. 计算机产品与流通 2020(02)
    • [7].基于改进粒子群算法的主动配电网网架优化研究[J]. 电气应用 2020(01)
    • [8].采用改进粒子群算法优化的涡轮增压器节能研究[J]. 中国工程机械学报 2020(01)
    • [9].进化粒子群算法在航空发动机模型求解中的应用[J]. 工程与试验 2019(04)
    • [10].粒子群算法在金融风险模型中的研究与改进[J]. 吉林大学学报(信息科学版) 2020(02)
    • [11].基于改进的粒子群算法求解供应链网络均衡问题[J]. 运筹与管理 2020(02)
    • [12].基于粒子群算法的航班座位自动分配系统[J]. 科技创新导报 2019(36)
    • [13].一种求解电力系统无功优化的改进粒子群算法[J]. 电工技术 2020(12)
    • [14].基于改进粒子群算法的主动微波遥感土壤水分反演方法研究[J]. 河南农业 2020(17)
    • [15].基于混合粒子群算法的注塑机电液伺服系统控制研究[J]. 机床与液压 2020(16)
    • [16].基于量子粒子群算法的大型阵稀疏优化方法[J]. 航空科学技术 2020(08)
    • [17].基于粒子群算法的函数复杂度分类法[J]. 控制工程 2020(08)
    • [18].协同粒子群算法下的火工品参数辨识[J]. 企业科技与发展 2020(09)
    • [19].基于家庭角色视角下家庭粒子群算法研究——评《家庭粒子群算法:方法、理论与性能分析》[J]. 中国科技论文 2020(09)
    • [20].基于混合粒子群算法的双离合变速器参数优化设计[J]. 吉林大学学报(工学版) 2020(05)
    • [21].惯性权重矩阵下的自适应粒子群算法分析[J]. 黑龙江工程学院学报 2020(05)
    • [22].基于改进粒子群算法的有效大数据多标准过滤系统设计[J]. 电子设计工程 2020(20)
    • [23].浅谈粒子群算法的应用[J]. 计算机产品与流通 2019(11)
    • [24].基于粒子群算法的最优值求解[J]. 科技广场 2017(12)
    • [25].基于混合粒子群算法的船舶稳定性分析[J]. 舰船科学技术 2018(14)
    • [26].自适应粒子群算法在模拟电路故障诊断中的应用[J]. 软件导刊 2017(02)
    • [27].基于改进量子粒子群算法的电力系统经济调度仿真研究[J]. 实验技术与管理 2017(03)
    • [28].改进的粒子群算法在云计算下的数据挖掘中的研究[J]. 科技通报 2017(04)
    • [29].基于改进粒子群算法的移动机器人路径规划[J]. 传感器与微系统 2017(05)
    • [30].一种基于模拟退火-改进二进制粒子群算法的测试优化选择方法[J]. 水下无人系统学报 2017(03)

    标签:;  ;  ;  ;  ;  

    基于粒子群算法的系统辨识方法研究与仿真
    下载Doc文档

    猜你喜欢