基于改进粒子群优化算法的系统辨识方法研究

基于改进粒子群优化算法的系统辨识方法研究

论文摘要

在先进控制的设计与实施过程中,必然要对被控系统建立出数学模型。本文对工业系统的建模问题,特别是对非线性系统建模过程中所遇到的辨识数据预处理、辨识方法等问题进行探讨。提出了对标准粒子群优化(PSO)的改进算法,并利用改进后的算法对线性系统、非线性系统进行辨识,得到了较好的辨识效果。实际的测量的时候难免会存在测量噪声以及其他瞬时扰动,如果噪声过大则会对辨识的结果产生严重影响。文中介绍了系统辨识前对数据进行预处理的各种方法,并针对强噪声环境下利用PSO算法进行参数辨识精度差甚至不能收敛的问题,同时提出一种新的改进滑动平均滤波算法。该算法通过对滑动平均后数据相位的动态修正,实现了无滞后的滑动平均滤波。在对运算的时间复杂度和空间复杂度要求较高时,改进滑动平均滤波算法较为实用,并且该算法可调参数少,易于实现。仿真实验表明,对这种改进滑动平均滤波算法应用于PSO辨识数据预处理后,有效地提高了PSO对强噪声系统辨识的精度。针对现有粒子群优化算法在工程应用中,特别是在粒子维数较高的情况下,很容易发生早熟收敛等缺点,提出了一种基于粒子健康度的快速收敛粒子群优化算法,记为HPSO。同时给出了粒子健康度的概念及其计算方法。该算法通过动态监控粒子的健康度指标,对健康度较低的粒子单独进行变异操作。从而可以在保护健康粒子继续搜索最优值的同时,有效“治疗”非健康的早熟粒子,提高了整个粒子群的寻优能力及跳出局部最优值的能力。然后利用大量的多维基准测试函数对该算法进行测试,并将其与标准的粒子群优化算法(SPSO)以及权重递减的粒子群优化算法(WPSO)做对比。测试的结果表明,在粒子维数较高的应用中HPSO算法的收敛速度快,效率高。文中对线性连续系统以及非线性Wiener模型应用基于健康度的快速收敛粒子群优化算法进行了辨识,并对含有强噪声的输入信号经过预处理后进行辨识。测试结果表明,本文提出的算法在有强噪声以及无噪声情况下均能够很好的辨识出系统的参数。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 课题研究的背景及意义
  • 1.2 相关领域的研究进展
  • 1.2.1 数学模型建立及系统辨识
  • 1.2.2 非线性系统建模
  • 1.2.3 粒子群优化算法
  • 1.3 本文的主要研究内容
  • 第二章 系统辨识前的数据预处理
  • 2.1 引言
  • 2.2 剔除脉冲噪声
  • 2.3 信号归一化
  • 2.4 常用的数字滤波算法
  • 2.5 卡尔曼滤波
  • 2.5.1 算法原理
  • 2.5.2 仿真实验
  • 2.6 改进的滑动平均滤波法
  • 2.6.1 算法原理
  • 2.6.2 仿真实验
  • 2.7 小波去噪滤波法
  • 2.7.1 小波去噪概述
  • 2.7.2 小波阈值去噪法
  • 2.7.3 仿真实验
  • 2.8 小结
  • 第三章 基于健康度的快速收敛粒子群优化算法(HPSO)
  • 3.1 引言
  • 3.2 常用的粒子群优化算法
  • 3.2.1 标准粒子群优化算法
  • 3.2.2 权重改进的粒子群优化算法
  • 3.2.3 变学习因子的粒子群算法
  • 3.3 粒子健康度概念及计算
  • 3.3.1 粒子振荡代数
  • 3.3.2 粒子停滞代数
  • 3.3.3 粒子健康度的计算
  • 3.4 算法描述
  • 3.5 算法仿真测试
  • 3.5.1 基准测试函数
  • 3.5.2 收敛性测试
  • 3.5.3 鲁棒性测试
  • 3.5.4 均值测试
  • 3.5.5 收敛速度对比测试
  • 3.6 小结
  • 第四章 HPSO算法在系统辨识中的应用
  • 4.1 引言
  • 4.2 HPSO算法在线性连续系统辨识中的应用
  • 4.2.1 无噪声环境下的HPSO辨识
  • 4.2.2 强噪声下的HPSO参数辨识
  • 4.3 HPSO算法在非线性系统辨识中的应用
  • 4.3.1 Hammerstein模型的描述
  • 4.3.2 Wiener模型的描述
  • 4.3.3 仿真实验
  • 4.4 小结
  • 第五章 总结和展望
  • 5.1 研究工作总结
  • 5.2 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
  • 附件
  • 相关论文文献

    • [1].算法:一种新的权力形态[J]. 治理现代化研究 2020(01)
    • [2].算法决策规制——以算法“解释权”为中心[J]. 现代法学 2020(01)
    • [3].面向宏观基本图的多模式交通路网分区算法[J]. 工业工程 2020(01)
    • [4].算法中的道德物化及问题反思[J]. 大连理工大学学报(社会科学版) 2020(01)
    • [5].算法解释请求权及其权利范畴研究[J]. 甘肃政法学院学报 2020(01)
    • [6].算法新闻的公共性建构研究——基于行动者网络理论的视角[J]. 人民论坛·学术前沿 2020(01)
    • [7].算法的法律性质:言论、商业秘密还是正当程序?[J]. 比较法研究 2020(02)
    • [8].关键词批评视野中的算法文化及其阈限性[J]. 学习与实践 2020(02)
    • [9].掌控还是被掌控——大数据时代有关算法分发的忧患与反思[J]. 新媒体研究 2020(04)
    • [10].美国算法治理政策与实施进路[J]. 环球法律评论 2020(03)
    • [11].算法解释权:科技与法律的双重视角[J]. 苏州大学学报(哲学社会科学版) 2020(02)
    • [12].大数据算法决策的问责与对策研究[J]. 现代情报 2020(06)
    • [13].大数据时代算法歧视的风险防控和法律规制[J]. 河南牧业经济学院学报 2020(02)
    • [14].风险防范下算法的监管路径研究[J]. 审计观察 2019(01)
    • [15].模糊的算法伦理水平——基于传媒业269名算法工程师的实证研究[J]. 新闻大学 2020(05)
    • [16].算法推荐新闻对用户的影响及对策[J]. 新媒体研究 2020(10)
    • [17].如何加强对算法的治理[J]. 国家治理 2020(27)
    • [18].“后真相”背后的算法权力及其公法规制路径[J]. 行政法学研究 2020(04)
    • [19].算法规制的谱系[J]. 中国法学 2020(03)
    • [20].论算法排他权:破除算法偏见的路径选择[J]. 政治与法律 2020(08)
    • [21].政务算法与公共价值:内涵、意义与问题[J]. 国家治理 2020(32)
    • [22].算法的法律规制研究[J]. 上海商业 2020(09)
    • [23].新闻算法分发对隐私权的冲击及规制[J]. 青年记者 2020(27)
    • [24].算法如何平等:算法歧视审查机制的建立[J]. 南海法学 2020(02)
    • [25].蚁群算法在文字识别中的应用研究[J]. 信息与电脑(理论版) 2019(22)
    • [26].大数据聚类算法研究[J]. 无线互联科技 2018(04)
    • [27].RSA算法的改进研究[J]. 计算机与网络 2018(14)
    • [28].智能时代的新内容革命[J]. 国际新闻界 2018(06)
    • [29].改进的负载均衡RSA算法[J]. 电脑知识与技术 2018(25)
    • [30].基于深度学习的视觉跟踪算法研究综述[J]. 计算机科学 2017(S1)

    标签:;  ;  ;  ;  ;  ;  

    基于改进粒子群优化算法的系统辨识方法研究
    下载Doc文档

    猜你喜欢