在現(xiàn)代工業(yè)過(guò)程中,學(xué)者們提出了更多的先進(jìn)控制技術(shù),但是這些技術(shù)多數(shù)是需要基于精確對(duì)象數(shù)學(xué)模型的。系統(tǒng)辨識(shí)是建立過(guò)程對(duì)象數(shù)學(xué)模型的一種有效的方法。目前,我們已經(jīng)具備了完善和成熟的經(jīng)典的傳統(tǒng)辨識(shí)方法,比較流行的辨識(shí)算法包括：最小二乘算法、遺傳算法、差分進(jìn)化算法、粒子群算法等,可以在一定程度上克服傳統(tǒng)的估計(jì)方法的缺點(diǎn)。但是,在這些算法中還有一些可以提出改進(jìn)措施的地方。在本論文中,首先我們基于標(biāo)準(zhǔn)的粒子群算法提出了一些改進(jìn)措施,并將該改進(jìn)算法稱(chēng)之為改進(jìn)的二階粒子群算法,隨后將該改進(jìn)算法應(yīng)用在一類(lèi)模型結(jié)構(gòu)已知的可以描述成塊聯(lián)模型的非線(xiàn)性系統(tǒng)工業(yè)過(guò)程中,仿真結(jié)果表明該改進(jìn)算法在非線(xiàn)性系統(tǒng)中的應(yīng)用是非常有效的。然后,針對(duì)一類(lèi)多輸入、單輸出的靜態(tài)系統(tǒng),提出了一種系統(tǒng)辨識(shí)的新方法。該新方法可以實(shí)現(xiàn)多變量系統(tǒng)的結(jié)構(gòu)和參數(shù)的同時(shí)辨識(shí)。基本思想是：同時(shí)將典型的數(shù)學(xué)模型與輸入變量相互組合,形成眾多的子模型,然后在眾多子模型中選取擬合實(shí)際系統(tǒng)最佳的子模型,同時(shí)確定該模型的參數(shù),最終我們將系統(tǒng)的結(jié)構(gòu)辨識(shí)問(wèn)題轉(zhuǎn)化為模型優(yōu)化問(wèn)題。隨后利用結(jié)合了全局和局部搜索的混合PSO-SQP算法,同時(shí)實(shí)現(xiàn)了系統(tǒng)的結(jié)構(gòu)辨識(shí)和參數(shù)辨識(shí)。... 

【文章來(lái)源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 本課題的研究意義和目的
    1.2 系統(tǒng)辨識(shí)的發(fā)展簡(jiǎn)介
        1.2.1 系統(tǒng)辨識(shí)的定義和歷史
        1.2.2 系統(tǒng)辨識(shí)研究的現(xiàn)狀和趨勢(shì)
        1.2.3 辨識(shí)方法簡(jiǎn)述
    1.3 本論文的工作
第二章 常用辨識(shí)方法的概述與仿真
    2.1 系統(tǒng)辨識(shí)簡(jiǎn)介
        2.1.1 系統(tǒng)模型
        2.1.2 建立系統(tǒng)數(shù)學(xué)模型的方法
        2.1.3 對(duì)象模型
        2.1.4 系統(tǒng)辨識(shí)的基本步驟
    2.2 最小二乘法的研究
        2.2.1 最小二乘法原理
        2.2.2 系統(tǒng)辨識(shí)的最小二乘方法
        2.2.3 基于基本最小二乘方法的辨識(shí)仿真
        2.2.4 基于改進(jìn)的加權(quán)最小二乘方法的辨識(shí)仿真
    2.3 遺傳算法的研究
        2.3.1 遺傳算法簡(jiǎn)介
        2.3.2 遺傳算法的基本原理
        2.3.3 基于遺傳算法的辨識(shí)仿真
    2.4 差分進(jìn)化方法的研究
        2.4.1 差分進(jìn)化方法簡(jiǎn)述
        2.4.2 差分進(jìn)化方法簡(jiǎn)單流程
        2.4.3 基于差分進(jìn)化方法的辨識(shí)仿真
第三章 基于改進(jìn)二階粒子群算法的非線(xiàn)性模型辨識(shí)與仿真
    3.1 引言
    3.2 PSO方法介紹
        3.2.1 方法描述
        3.2.2 設(shè)定PSO算法參數(shù)
    3.3 二階粒子群辨識(shí)方法的研究
        3.3.1 二階粒子群辨識(shí)方法
        3.3.2 改進(jìn)的二階粒子群辨識(shí)方法
    3.4 非線(xiàn)性模型簡(jiǎn)介及仿真研究
        3.4.1 非線(xiàn)性系統(tǒng)模型簡(jiǎn)介
        3.4.2 塊連非線(xiàn)性系統(tǒng)模型的研究
        3.4.3 基于改進(jìn)的二階粒子群算法的Hammerstein模型仿真
        3.4.4 基于改進(jìn)的二階粒子群算法的Wiener模型仿真
    3.5 小結(jié)
第四章 基于混合粒子群算法的多變量系統(tǒng)辨識(shí)的研究
    4.1 引言
    4.2 系統(tǒng)模型辨識(shí)問(wèn)題描述
        4.2.1 模型結(jié)構(gòu)參數(shù)
        4.2.2 系統(tǒng)模型描述
        4.2.3 原模型的選取
    4.3 基于混合粒子群算法模型辨識(shí)的研究
        4.3.1 慣性權(quán)重逐減的粒子群算法
        4.3.2 PSO-SQP辨識(shí)方法簡(jiǎn)介
        4.3.3 基于混合粒子群算法的多變量系統(tǒng)的仿真
    4.4 小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 今后工作展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡(jiǎn)介
碩士研究生學(xué)位論文答辯委員會(huì)決議書(shū)


【參考文獻(xiàn)】：
期刊論文
[1]基于DE算法的非線(xiàn)性預(yù)測(cè)控制及其應(yīng)用[J]. 王毓棟,王京春.  控制工程. 2008(01)
[2]基于支持向量機(jī)的非線(xiàn)性動(dòng)態(tài)系統(tǒng)辨識(shí)方法[J]. 吳德會(huì).  系統(tǒng)仿真學(xué)報(bào). 2007(14)
[3]一種閉環(huán)條件下的多變量系統(tǒng)辨識(shí)方法[J]. 靳其兵,夏丹陽(yáng).  微計(jì)算機(jī)信息. 2007(19)
[4]基于漸進(jìn)黑箱理論的多變量辨識(shí)方法[J]. 劉波,趙均,錢(qián)積新.  化工自動(dòng)化及儀表. 2007(03)
[5]粒子群優(yōu)化算法分析及研究進(jìn)展[J]. 朱麗莉,楊志鵬,袁華.  計(jì)算機(jī)工程與應(yīng)用. 2007(05)
[6]一種可在線(xiàn)實(shí)現(xiàn)的對(duì)象辨識(shí)新方法[J]. 甄新平,李全善,姜景杰,潘立登,聞光輝.  北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2006(06)
[7]基于一類(lèi)混合PSO算法的函數(shù)優(yōu)化與模型降階研究[J]. 劉麗姮,王凌,劉波,金以慧.  化工自動(dòng)化及儀表. 2006(02)
[8]多變量時(shí)滯系統(tǒng)的解耦模糊內(nèi)�？刂芠J]. 陳娟,陳岳峰,潘立登,曹柳林.  電機(jī)與控制學(xué)報(bào). 2006(02)
[9]粒子群優(yōu)化算法模型分析[J]. 潘峰,陳杰,甘明剛,蔡濤,涂序彥.  自動(dòng)化學(xué)報(bào). 2006(03)
[10]用于函數(shù)優(yōu)化的自適應(yīng)類(lèi)種子保留遺傳算法[J]. 鞏敦衛(wèi),孫曉燕.  控制理論與應(yīng)用. 2005(05)



本文編號(hào)：3156675