小种群粒子群算法在非线性系统辨识中的应用

发布时间：2020-05-16 03:31

【摘要】：近年来,随着转化医学的快速发展,以信息科学为技术手段,为疾病的预测、预防、诊断和治疗提供了帮助,使得基础医学与临床医学得到了较好的结合。转化医学的一个重要内容是计算机辅助诊断,将病人就诊过程中产生的大量不同类型的信息通过计算机信息处理,提供个体化治疗策略,从而提高对疾病的诊断效率。其中,如何选用适当的优化算法根据医学模型和临床检测数据,采用系统辨识方法,获取患者个体的医学参数,是必须的环节,也是核心问题之一。乙型肝炎是影响我国人民健康危害最严重的传染病之一,而传统的医学数据分析对每个患者的病情很难有一个总体上的把握,更不用说预测其病情的发展。随着医学技术的发展,人们尝试构建了乙肝病毒动力学模型(HBV动力学模型),通过对该模型中的关键参数进行辨识,并仿真出患者的各个重要指标,对患者的病情进行预测,并对用药后的效果可以做一个提前预测。这对医生治疗起到了很好的指导作用,且提前预测也可以使病者的病情在最短时间得到有效的治疗。而对该模型进行系统辨识是个非线性系统辨识问题,传统的系统辨识方法对这样的非线性系统辨识问题效果不是很好。目前的系统辨识多采用二次规划等解析算法,可辨识的参数少,收敛慢,对参数的初值依赖大。随着智能控制领域研究的不断发展,非线性程度也就越来越高,一些经典的方法就很难满足需要了。 本文研究了小种群粒子群优化算法(SPPSO)在非线性系统辨识中的应用,将其应用在实际的医学系统辨识中。根据HBV动力学模型,利用临床检测的动态数据,为乙肝患者的诊断与治疗提供新的辅助手段,主要工作内容是： 将SPPSO算法与其他算法在非线性系统辨识中的效果进行了比较,发现SPPSO在保持同样精度的情况下,具有更快的收敛速度,因此更能满足临床分析的需要。 由于乙肝病毒动力学模型是非线性微分方程组,并且受到临床动态监测数据少的制约,一般的优化算法很难得到较好的结果。本文将SPPSO算法运用到求解HBV动力学模型的非线性系统辨识中,实现了HBV动力学模型的快速辨识。SPPSO作为一种全局优化算法,易于实现,且收敛速度快,计算效率高。在处理数据量较大的大规模的种群问题时可大大降低时间和资源的开销,因此在系统辨识特别是高度非线性系统中具有很大的意义。而这类复杂的非线性系统在医学系统中有具典型性,所以将该算法用于求解HBV动力学模型上,有很好的研究价值和实用价值。 并且针对药物作用的滞后效应,将时滞参数作为待辨识的参数,采用时滞微分方程的求解算法,利用SPPSO算法实现了乙肝病毒时滞模型的辨识。 进一步注意到医学参数的时变特点,利用正交多项式的线性组合近似时变参数,将无穷维问题转化为有限维问题,利用SPPSO算法实现了乙肝病毒时变模型的辨识。 本文的研究为HBV动力学模型的参数辨识提供了一种新的方法,该方法可以推广到一般非线性系统的辨识中。并为医学测量提供了一种“软测量”的方法：对于医学上不能直接检测或者检测费用很高的变量,可以选取易于检测的”二次变量”建立起”二次变量”与待检测变量之间的”数学模型”,通过系统辨识,估计待检测的变量。这都是很有实际的研究价值和研究意义的。
【图文】：

(2)励磁系统模型自动励磁调节器系统的基本结构如图2.3所示，它由调差环节、测量比较、综合放大、移相触发、可控整流等环节构成以机端电压为被调量的自动励磁调节的一个反馈控制系统[5〗]。5? —"^ 一‘卖— mir?原I磁机 发电机 *一"~测量 调差 I手动I ： ,0元件元件 ：I控制丨： _______ i i.......——一——— — —.............. J 励磁调节器 手控励磁机发电机 ?:_ 自动醒灥至赛 ^图2.3自动励磁调节器的基本结构自动励磁调节器的工作原理是首先利用测量元件去测量机端的电压，并比较其结果f/g与基准电压之间的差值，并将其作为输入信号，最后输出/。，/,为前面求得的差值的反方向调整量，并在放大器的末端输出。由于/,为的反方向调整量，所以当C/g降低时，相反的，/,就增加

励磁调节器的简化框图如图2.4所示，图中/：,、尺,分别表示各单元的放大值，为调节器总的放大系统，且等于各个单元放大倍数的乘积[5]]。V测量比较丨AV综合放大 移相触发 可控硅AVf^ 调差 If If *1 If If —I ? 丨 1^2 丨 "3Iw " “—3r 一 —~ 一“V f "“！ i 1“ 辅助控制i 发电机?图2.4励磁调节器简化框图对励磁系统参数辨识首先要建立数学模型。单数，励磁系统种类繁多，模型也不统一。各个励磁生产厂家都为各自生产的励磁系统建立了数学模型。然而厂家自定义的模型通常与电力运行部门计算要求的模型有很大的差异，即很难再电力运行部门计算所采用的软件中直接找到与厂家自定义的模型相匹配的计算模型，，因此励磁参数辨识的第一步是模型的辨识，即模式识别，获得与厂家模型比较接近的模型，再进一步辨识具体模型的参数。目前电网实际仿真计算程序，如BPA软件和PSASP软件
【学位授予单位】：武汉大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：TP18;N945.14

【相似文献】

相关期刊论文 前10条

1 李秀英,韩志刚;非线性系统辨识方法的新进展[J];自动化技术与应用;2004年10期

2 夏志敏;赵志诚;;一种基于支持向量机的非线性系统辨识方法[J];太原科技大学学报;2010年05期

3 朱全民;非线性系统辨识[J];控制理论与应用;1994年06期

4 王秀峰;非线性系统辨识及其应用[J];天津科技;1996年03期

5 王军;彭宏;肖建;;尺度核支持向量回归的非线性系统辨识[J];系统仿真学报;2006年09期

6 尹辉，黄正良;一类结构已知的非线性系统辨识[J];西南工学院学报;1995年01期

7 李ng,韩崇昭,吴艳萍;一类非线性系统辨识的参数空间优化遗传算法[J];控制与决策;2001年06期

8 张明光;阎威武;李战明;;基于支持向量机的非线性系统辨识研究[J];计算机应用研究;2006年05期

9 戴运桃;赵希人;刘利强;;基于进化粒子群优化的非线性系统辨识[J];计算机仿真;2010年10期

10 李秀英;韩志刚;;一种基于粒子群优化的非线性系统辨识方法[J];控制与决策;2011年11期

相关会议论文 前5条

1 陈大庆;杨军;周凤歧;;基于神经元网络的非线性系统辨识[A];1991年控制理论及其应用年会论文集（上）[C];1991年

2 吕强;郝继红;段运波;许耀铭;;利用动态RBF网络的非线性系统辨识[A];1994中国控制与决策学术年会论文集[C];1994年

3 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年

4 郝万君;乔焰辉;强文义;;基于自适应竞争聚类和OLS算法的非线性系统辨识[A];2009中国控制与决策会议论文集（1）[C];2009年

5 张涛;谢林柏;丁锋;;输出信号量化的双率采样Hammerstein非线性系统辨识[A];2009中国控制与决策会议论文集（1）[C];2009年

相关博士学位论文 前4条

1 唐晓;小种群粒子群算法在非线性系统辨识中的应用[D];武汉大学;2013年

2 朱耀春;基于基因表达式编程技术的非线性系统辨识研究[D];华北电力大学（北京）;2008年

3 施建中;基于模糊聚类的非线性系统辨识研究[D];华北电力大学;2012年

4 高学辉;迟滞Hammerstein非线性系统辨识与控制[D];北京理工大学;2016年

相关硕士学位论文 前10条

1 薛瑞静;非线性系统辨识在人体动态平衡建模中的应用[D];河北大学;2015年

2 谢倩雯;改进的极限学习机在辨识及分类中的应用[D];北京化工大学;2016年

3 张帅;基于支持向量机的非线性系统辨识及控制研究[D];河南师范大学;2016年

4 杜宝庆;延迟系统控制及非线性系统辨识与仿真[D];曲阜师范大学;2007年

5 田宏洁;基于粒子群方法的非线性系统辨识问题研究[D];西安电子科技大学;2011年

6 孙建良;Hammerstein模型非线性系统辨识算法研究[D];浙江大学;2013年

7 邓杨;基于参数化时频分析的非线性系统辨识[D];上海交通大学;2014年

8 范伟;一类维纳非线性系统辨识（Ⅰ）[D];江南大学;2008年

9 杨韬;基于改进人工蜂群算法的神经网络非线性系统辨识研究[D];西南交通大学;2013年

10 张园园;基于聚类分析和LSSVM的非线性系统辨识[D];河南师范大学;2014年

本文编号：2666101