基于粒子群算法的系统辨识方法研究与仿真
发布时间：2021-04-24 04:27
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。...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
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
【参考文献】：
期刊论文
[1]基于DE算法的非线性预测控制及其应用[J]. 王毓栋,王京春. 控制工程. 2008(01)
[2]基于支持向量机的非线性动态系统辨识方法[J]. 吴德会. 系统仿真学报. 2007(14)
[3]一种闭环条件下的多变量系统辨识方法[J]. 靳其兵,夏丹阳. 微计算机信息. 2007(19)
[4]基于渐进黑箱理论的多变量辨识方法[J]. 刘波,赵均,钱积新. 化工自动化及仪表. 2007(03)
[5]粒子群优化算法分析及研究进展[J]. 朱丽莉,杨志鹏,袁华. 计算机工程与应用. 2007(05)
[6]一种可在线实现的对象辨识新方法[J]. 甄新平,李全善,姜景杰,潘立登,闻光辉. 北京化工大学学报(自然科学版). 2006(06)
[7]基于一类混合PSO算法的函数优化与模型降阶研究[J]. 刘丽姮,王凌,刘波,金以慧. 化工自动化及仪表. 2006(02)
[8]多变量时滞系统的解耦模糊内模控制[J]. 陈娟,陈岳峰,潘立登,曹柳林. 电机与控制学报. 2006(02)
[9]粒子群优化算法模型分析[J]. 潘峰,陈杰,甘明刚,蔡涛,涂序彦. 自动化学报. 2006(03)
[10]用于函数优化的自适应类种子保留遗传算法[J]. 巩敦卫,孙晓燕. 控制理论与应用. 2005(05)
本文编号：3156675
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
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
【参考文献】：
期刊论文
[1]基于DE算法的非线性预测控制及其应用[J]. 王毓栋,王京春. 控制工程. 2008(01)
[2]基于支持向量机的非线性动态系统辨识方法[J]. 吴德会. 系统仿真学报. 2007(14)
[3]一种闭环条件下的多变量系统辨识方法[J]. 靳其兵,夏丹阳. 微计算机信息. 2007(19)
[4]基于渐进黑箱理论的多变量辨识方法[J]. 刘波,赵均,钱积新. 化工自动化及仪表. 2007(03)
[5]粒子群优化算法分析及研究进展[J]. 朱丽莉,杨志鹏,袁华. 计算机工程与应用. 2007(05)
[6]一种可在线实现的对象辨识新方法[J]. 甄新平,李全善,姜景杰,潘立登,闻光辉. 北京化工大学学报(自然科学版). 2006(06)
[7]基于一类混合PSO算法的函数优化与模型降阶研究[J]. 刘丽姮,王凌,刘波,金以慧. 化工自动化及仪表. 2006(02)
[8]多变量时滞系统的解耦模糊内模控制[J]. 陈娟,陈岳峰,潘立登,曹柳林. 电机与控制学报. 2006(02)
[9]粒子群优化算法模型分析[J]. 潘峰,陈杰,甘明刚,蔡涛,涂序彦. 自动化学报. 2006(03)
[10]用于函数优化的自适应类种子保留遗传算法[J]. 巩敦卫,孙晓燕. 控制理论与应用. 2005(05)
本文编号：3156675
本文链接：https://www.wllwen.com/projectlw/xtxlw/3156675.html
