一、具有快速学习算法的神经网络及其在系统辨识中的应用（论文文献综述）
冯双,崔昊,陈佳宁,汤奕,雷家兴[1]（2021）在《人工智能在电力系统宽频振荡中的应用与挑战》文中研究说明随着高比例新能源与高比例电力电子设备接入的"双高"电力系统的形成,其中的振荡问题也日趋复杂,呈现出显着的宽频域、强时变性、强非线性、多模态以及广域传播等特征,目前尚缺乏统一有效的数学模型和分析方法。人工智能由于具有对系统模型的低依赖性,对大量数据之间非线性复杂关系的强大学习能力以及对随机时变环境的快速适应性,有助于解决电力系统宽频振荡问题。该文首先根据宽频振荡在数学模型、分析方法和表现形式方面的特点分析采用人工智能技术解决宽频振荡问题的可行性与优势。然后,分别从宽频振荡的辨识、振荡源定位与抑制方法 3个方向分析提炼人工智能技术应用于宽频振荡问题的研究成果,并抽象出对应的典型框架。在此基础上,分别探讨人工智能技术在以上3个研究领域面临的样本完整性、方法可迁移性和鲁棒性、广域互联系统中的算法收敛性等方面挑战。最后,结合人工智能的最新发展与宽频振荡的研究动态,从样本获取、算法可解释性及其与宽频振荡特性相融合等角度指出未来人工智能技术在宽频振荡问题中的一些研究思路。
周伟豪[2]（2021）在《基于参数辨识的异步电机效率优化》文中研究表明异步电动机因其成本低、简单可靠,广泛运用于风机泵类负载拖动,矢量控制使得异步电动机的性能得到进一步提升,使其拓展到更多高性能驱动领域,成为工业用电领域的绝对主力军。但在很多应用场合,异步电动机长期工作在空载或轻载状态,这时电机效率降低很大。为了解决这一问题,一些工业变频器中已经根据实际工况设置了（低于满载的）磁通设置值,用以提高异步电机效率,但是这些弱磁磁通通常根据电机的理论参数进行计算得到,运行过程中电机参数会发生变化,此时电机的效率有进一步提高的空间。针对以上问题,本文提出电机参数辨识的异步电动机效率优化算法,并通过仿真和实验对异步电动机参数辨识算法和效率优化算法进行了验证本文的主要工作如下:第一,对效率优化控制和参数辨识的国内外研究进展进行总结分析。分析了异步电机产生损耗的原因,并明确了电机损耗的影响因素。第二,针对目前考虑铁损的三相电机数学模型结构复杂,阶次较高,不便于后续仿真研究的问题,推导了考虑铁损异步电机的六阶数学模型。第三,推导了考虑铁损的转子磁链计算公式,在Matlab/Simulink环境下对控制系统进行了仿真分析。对损耗模型法效率优化的原理进行了分析,通过异步电机稳态数学模型推导出损耗最小化磁通给定表达式,设计了基于最佳磁链控制的效率优化算法。第四,针对传统辨识算法存在的计算量大、实现困难,且易受环境因素干扰,辨识精度低等问题,提出了基于模型参考自适应的参数辨识方法。该方法实现简单,不需要复杂的迭代和计算过程,计算过程具有鲁棒性,计算精度高。在Matlab/Simulink环境下对系统进行了仿真验证,得到的辨识结果误差小于0.5%。证明了提出的在线辨识方法有效性和可行性。同时,针对MRAS方法中,自适应率的PI控制器参数难以调节的问题,利用具有自学习能力的单神经元PID控制器取代了传统PI控制,对传统MRAS进行了改进。经过仿真验证,改进方法相比传统方法辨识来说,辨识精度更为高效,同时辨识系统的快速性也有一定程度提高。第五,将参数辨识结果与效率优化相结合,利用辨识的结果在线修正最佳磁链来实现更为高效的效率优化控制。与传统的固定设定磁链相比,改算法可以使得大幅提高电机的运行效率。第六,利用搭建的实验电路。实验验证了基于模型参考自适应的参数辨识方法及基于参数辨识的效率优化算法的有效性。
曾日芽[3]（2021）在《履带机器人地形辨识及自主行驶控制研究》文中研究说明感知、决策和智能控制等先进技术被广泛应用于履带机器人的野外任务中,以应对环境带来的复杂化、多样化的挑战。目前履带机器人面临的主要挑战包括:基于履带-土壤动力学的动力学建模与应用,复杂运动状态下对外界环境的感知,运动学及动力学模型和现实之间的不确定性预测,以及在复杂多变地形下的自主控制等。本文以履带机器人为研究对象,针对野外环境下地形辨识和自主行驶等问题做了相关的研究。系统建模是履带机器人研究的模型基础。首先建立了复杂地形下的履带机器人运动学模型,为控制算法提供参考。结合基于转向瞬心的运动学模型建立了满足快速计算的履带机器人转向动力学模型,并通过实验完成参数修正。结合履带机器人多体动力学模型和三维系统动力学,搭建满足硬件在环测试的履带机器人复杂地形系统,为控制器优化和验证提供实验室平台。野外复杂地形下履带机器人的工作本质上是在多速度、多工况及多驱动模式混合运行条件下进行定向移动。目前大多数的地形辨识局限于直线单速度工况下,其它运行状态下的辨识研究较少。针对以上问题,本文采集了多地形下（包含了五种非相似地形及三种相似地形）基于内感受型传感器的数据,其运行条件包含了多种速度下的多工况（直线行驶、稳态转向）和多驱动模式（前驱、后驱）。采用统计学方法对各信号在时域、频域和时频域进行特征提取,并通过基于协方差的特征选择方法对各类特征进行评价和排序,选取高优先级特征组合,在种类和维度方面为地形辨识提供依据。在不同运行条件,相适应的地形辨识算法可以有效地提高运行效率。针对非相似地形的多速度直线行驶的工作环境,基于概率神经网络,通过从种类、特征维度等方向分析测试结果,得到实现该辨识算法下的最优特征向量。针对多速度、多工况下的相似地形运行条件,提出了复合深度置信网络来达到地形辨识的目的,同时也探索了前进速度对辨识效果的影响。针对履带机器人多驱动模式的工作特性,基于集成学习的辨识方法,构建集成权重模块,实现相似地形下多速度、多工况、多驱动模式的相似地形辨识,探讨了集成学习方法和驱动模式对地形辨识的影响。履带机器人的驱动扭矩求解基于地面力学模型,其过程需要获得较多的模型参数,存在着高计算量和不稳定等局限性。针对履带机器人的驱动扭矩预测,本文基于无模型数据驱动的方法,以改进的高斯过程为核心,提出了“扭矩参考值+误差补偿值”的方法来实现精准的驱动扭矩估计。其中,扭矩参考值是通过具有单调性的高斯过程回归,并考虑各输入与输出之间的非线性关系来实现;误差补偿值则是采用组合内核的高斯过程来实现模型误差的估计。由此通过二者结合来提供驱动扭矩的控制参考。在野外工作中,履带机器人自主行驶不仅受到地形起伏颠簸的影响,还存在着地形种类变化的可能性。本文提出了分层集成路径跟踪控制框架,由带有误差反馈补偿机制的模型预测控制作为运动规划层,同时由无模型数据驱动扭矩预测作为驱动控制层。最终算法在硬件在环平台上进行了同地形和变地形测试,验证了算法的有效性和实时性,其结果表明该算法可以有效地对系统的不确定性进行补偿,从而实现不同工况条件下的复杂地形自主行驶。综上,本文对复杂地形下的履带机器人进行了系统建模,建立了多地形履带机器人辨识数据集,基于机器学习的方法分别对履带机器人的地形辨识和驱动扭矩预测进行了研究和探索,并且集成于分层控制算法中,实现复杂地形下履带机器人的自主行驶控制,为履带机器人相关的感知与控制研究提供参考。
齐欣[4]（2021）在《基于强化学习的辨识算法超参数优化方法研究》文中提出系统辨识理论中有许多辨识算法存在一个或多个需要人为设定的参数,如渐消记忆最小二乘法中的遗忘因子以及神经网络系统辨识中的超参数等,这类算法可统一称为系统辨识算法的超参数。辨识算法的超参数设置显着影响系统辨识的精度,且针对不同的辨识对象往往需要设置不同的超参数,因此,对辨识算法的超参数进行合理设置是实现高精度系统辨识的关键。本文研究了一类基于强化学习的辨识算法超参数优化方法,分别针对渐消记忆最小二乘法中遗忘因子的优化问题以及神经网络的超参数优化问题进行了研究。辨识算法中的超参数优化问题是一类典型的黑盒优化问题,本文使用无模型的强化学习算法解决该问题。针对渐消记忆最小二乘参数辨识中遗忘因子的优化问题,研究了一种基于强化学习的遗忘因子优化方法。由于渐消记忆最小二乘中的遗忘因子取值连续,选用DDPG算法解决遗忘因子优化问题。为了提高搜索效率,对方法进行如下改进:对即时奖励进行处理以限制其上下限取值,并在每一回合开始选择当前性能最佳的遗忘因子取值作为初始状态,从而保证强化学习智能体在每一回合有效学习,且更多的在高性能取值附近进行搜索。通过对不同线性时变系统的参数辨识进行多组遗忘因子优化实验,验证了基于DDPG的遗忘因子优化算法能够有效针对不同线性时变系统的辨识问题,实现渐消记忆最小二乘法中的遗忘因子优化。针对神经网络系统辨识的超参数优化问题,研究了一种基于Q-learning的神经网络超参数优化方法,为了提高搜索效率,对方法进行改进,在每一回合学习中不设置固定的起始状态与终止状态,能有效避免强化学习智能体在性能较差的超参数组合间的无效探索。通过对二阶非线性系统的神经网络系统辨识进行多组超参数优化实验,验证了基于Q-learning的神经网络超参数优化算法能够有效针对非线性系统的辨识问题,实现神经网络的超参数优化。
王伟[5]（2021）在《水轮机调速系统模型参数辨识及PID参数优化》文中提出水轮机调速系统是一个水-机-电因素相互耦合的复杂调控系统,由于其模型内包含弹性水击下流量变化引起水头变化体现出的非最小相位特性,电液随动系统中大扰动下的接力器动作过快、参数设置不当出现的极限环和Hopf分岔现象等,使得建立起其精确数学模型很困难。水轮机调速系统通过改变活动导叶开度,调整水力机组输出机械力矩,稳定机组转速,影响电网频率,对保证电力系统安全稳定运行至关重要。但受现实条件制约,无法到水电站参与真机实验,因此运用仿真软件对水轮机调速系统模型进行理论研究成为主要的研究手段,在机理已知的前提下,参数的准确性是建立精确数学模型的重点,而模型中一部分参数可由水力机组获得,参数辨识成为另一部分参数获取的主要方法。本文首先在前人研究的基础上对水轮机调速系统的PID调节器、液压随动系统、压力引水系统、水轮机、发电机等子系统进行了推导,建立了物理意义清晰、模块完整的水轮机调速系统模型。然后应用智能优化算法对模型参数辨识问题进行了研究,辨识所需输入输出数据为所搭建模型在给定扰动输入下的输出响应曲线,分别采用粒子群算法对线性模型进行了参数辨识,将基于莱维飞行改进粒子群算法和人工蜂群算法应用于非线性模型参数辨识中。在所进行的负荷扰动和频率扰动仿真实验中,辨识所得模型参数与预设参数很接近,且辨识输出曲线与给定扰动下系统响应输出曲线拟合的很好。参数辨识的目的是为了获得更为精确的水轮机调速系统模型,从而应用于后续的模型进一步研究。最后对前面已辨识水轮机调速系统非线性模型进行了基于改进差分进化算法（DE）的PID参数优化研究,在一定范围内对PID参数的寻优,通过与粒子群算法（PSO）进行对比,DE能找到此模型在负荷扰动和频率扰动下具有良好调节性能,较稳定过渡过程对应的参数。在20%负荷扰动实验中,DE找到的最优参数比PSO的对应输出曲线更为稳定,调节更快;在5%频率扰动实验中,DE找到的最优参数对应输出曲线超调量仅为1.38%,小于PSO找到的最优参数对应输出曲线超调量6.94%。验证了差分进化算法应用于水轮机调速系统PID参数优化问题可行且有效,为真实机组的PID参数设置提供一定的指导意义。
吴耀春[6]（2021）在《数据驱动的旋转机械智能故障辨识方法》文中认为旋转机械在现代工业生产中发挥着非常重要的核心关键作用,因此近年来保障该类设备安全可靠运行的状态监测与故障诊断技术得到了快速发展。关于该项技术的总体发展趋势,目前已达成的基本共识是必须在数据科学原理指导下走工业大数据的智能决策技术发展之路,追求的目标应该是使旋转机械尽快实现优质高效的运行以满足智能制造需要。由此诱发的新型基础问题之一,是必须解决好旋转机械运行信息的数据资源化保护与开发利用问题。基于上述发展需求,本论文以旋转机械作为研究对象,以现代机器学习技术为理论基础,基于信号处理、粗糙集、信息融合、半监督学习、域自适应、神经网络、深度学习等智能技术,对数据驱动的旋转机械智能故障辨识方法展开研究。取得的研究成果与得到的结论情况基本如下:（1）针对旋转机械敏感故障特征提取困难的问题,提出一种经验小波变换（Empirical Wavelet Transform,EWT）与加权多邻域粗糙集（Weighted Multi Neighborhood Rough Sets,WMNRS）结合的故障特征提取方法。首先,利用EWT对非线性、强噪声振动信号进行分解,根据相关性选择一组最优模态分量进行重构,计算重构信号的时域特征并构造高维原始特征集;然后,在不同邻域半径下利用WMNRS对原始特征集约简得到频繁项集;最后,统计原始特征集中各个特征在多邻域属性约简中出现的概率,将其作为权值与特征进行加权提取利于分类的敏感特征集合。实验结果表明,该方法能够有效提取旋转机械振动信号的敏感故障特征,并且根据提取的特征向量可正确辨识旋转机械的故障类型。（2）针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用卷积神经网络（Convolutional Neural Networks,CNN）融合多传感器信号特征的故障辨识方法。首先对多传感器振动信号分别进行特征提取,将获得的特征向量作为一维特征面构造多传感器特征面集合,将该集合作为卷积神经网络的输入;随后,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后由softmax分类器输出辨识结果。实验结果表明,该方法具有较高的故障分类与辨识能力、良好的鲁棒性和自适应性。（3）针对故障数据集中各类别的样本数目不平衡造成少数类样本识别准确率偏低的问题,提出一种基于最小最大化目标函数卷积神经网络（Min-Max Objective CNN,MMOCNN）的故障辨识方法。该方法首先利用CNN交替的卷积与池化运算自适应学习振动信号中具有表征信息的敏感特征,并通过全连接层将学习特征映射到类空间;然后,在类空间中构造特征的最小最大化目标函数;最后,将最小最大化目标函数融入到CNN的损失函数中,在模型训练过程中既考虑分类总体误差最小,同时又要求学习的样本特征保持类内间距小、类间间距大,以实现对数据不平衡故障的有效辨识。用滚动轴承的不平衡数据集分别对本方法和CNN的辨识效果进行实验,结果表明本方法能够使少数类样本的辨识精度提升20%以上。其他佐证实验,进一步证实了本方法在数据不平衡情况下的有效性。（4）针对标记样本获取困难且代价高昂、但无标记样本却可较容易收集的状况,提出一种基于半监督CNN的故障辨识方法。该方法首先利用CNN提取输入样本的类空间特征,并输出无标记样本的类概率,在此基础上采用改进的类概率最大间距准则构造无标记样本的损失函数;随后,将以类空间特征类内间距最小、类间间距最大为优化目标的损失函数融入CNN,建立半监督CNN模型;最后,提出一种基于半监督CNN的故障辨识方法。通过轴承故障辨识仿真实验验证了该方法可以有效利用无标记样本提高模型辨识性能。与常用半监督深度学习方法比较,该方法的辨识精度提高3%以上。（5）针对动态工况下训练（源域）数据和测试（目标域）数据分布存在差异导致模型识别能力不足的问题,提出一种基于对抗式域自适应卷积神经网络（Adversarial Domain Adaptation CNN,ADACNN）的故障辨识方法。该方法首先利用CNN将源域、目标域训练样本同时分别映射至类特征空间与预测标签空间;然后,在类特征空间构造对抗式域自适应,预测标签空间构造最大均值差异域自适应,并建立ADACNN模型;最后,提出一种基于ADACNN的故障辨识方法。以公开、实测两个轴承数据集验证了所提方法的有效性,结果表明在变工况（负载、转速）下本方法与CNN相比具有4%以上故障识别精度优势。本论文从数据驱动角度对旋转机械智能故障辨识方法进行了系列探讨,提出的多种故障辨识方法有助于解决智能故障辨识中低维敏感故障特征提取、多传感器信息融合、数据不平衡、标记样本不足、变工况的问题。在基于数据驱动的智能故障辨识技术发展方向上,值得进一步深入探讨的问题还应包括多种改进算法的集成、模型结构参数设计、算法应用技术手段等。解决这些问题将能够为工业大数据技术的落地应用,提供数据科学的理论依据。
邵会兵[7]（2020）在《滑翔飞行器滑翔能力智能预示与多约束制导研究》文中研究指明高超声速远程滑翔飞行器具有飞行速度快、飞行空域广、飞行环境复杂的特点。一方面,为对抗日臻完善的导弹防御系统,高超声速远程滑翔飞行器需要具有对威胁区和拦截网进行规避、对拦截弹和探测网有效突防以及为满足制导或侦察需要经由特定区域等能力,同时,面对瞬息万变的战场态势,飞行器任务规划及弹道规划的时空复杂度急剧增加,对弹道规划与制导提出更高要求。本文针对滑翔飞行器再入中段和末段飞行过程中的气动参数辨识、滑翔航程在线预测、基于绕飞航程预测的规避决策、拦截弹制导律辨识及中段突防制导、末段多约束弹道规划与制导等问题,结合智能方法与技术,对滑翔飞行器滑翔能力智能预示与多约束制导技术开展了研究,主要研究内容包括:针对滑翔飞行器的气动模型辨识问题,研究对实测飞行试验数据的离线辨识、利用实测飞行数据进行修正的辨识方法。在建立气动辨识基本模型的基础上,结合气动模型的高维非线性强耦合特点,开展基于神经网络的智能气动参数辨识方法研究,分析神经网络的构建和快速训练方法。利用实测飞行数据进行修正,研究对气动插值表非试验点的推广修正方法,对于气动插值表中其他节点的气动参数,根据与各试验点变量的关系进行线性插值修正。对节点间隔进行加密插值扩充,作为神经网络的训练样本,经过多隐层BP神经网络训练得到修正后的气动参数神经网络。再入滑翔飞行器速度快、机动能力强,在实际作战过程中机动复杂剧烈,飞行状态高动态变化。在进行飞行器机动任务或指令规划时,需要对飞行器状态能否到达给定终端状态进行分析。通过将离线优化的高精度与在线预测的快速性相结合,本文选取当前飞行状态、末端状态、气动参数偏差等关键状态变量作为样本输入,采用hp-自适应Gauss伪谱法计算飞行器剩余最大滑翔航程获得样本。针对滑翔航程预测问题的高维多变量输入特点,采用深度置信网络进行滑翔航程预测,通过无监督贪婪预训练提取高维输入间特征,为全局有监督训练提供更好网络初值,以提高收敛速率并防止过拟合,仿真结果表明该方法具有较高的效率和高维非线性拟合精度。滑翔飞行器中段滑翔飞行中面临较为复杂的战场环境,不确定威胁区和突发威胁等因素提高了中段规避飞行的难度。传统针对威胁区的在线规避方法会造成过多的能量损失,甚至无法完成打击任务。为形成满足任务约束的多威胁区规避弹道,离线根据威胁判定及弹道约束计算所需绕飞航程,训练绕飞航程预测网络以实现绕飞航程的快速在线估计。由于样本输入量较多,采用深度置信网络通过预训练提高收敛速度。结合滑翔航程预示网络的最大航程能力,判断规避路径的任务可行性。在滑翔航程不足以绕飞全部威胁区的情况下,选择突防低威胁等级地区进行规避决策,形成的弹道满足任务要求。滑翔飞行器在滑翔能力不足以绕飞全部威胁区时,需要对某威胁区发射的拦截弹进行突防。选取不同拦截弹制导律系数获得追逃过程实时量测数据样本,结合制导律辨识问题的特点,采用具有较强时间序列分析能力的循环神经网络分析量测数据的时序关系,并采用卷积神经网络提取高维量测量输入的深层特征,构建由量测数据到拦截弹制导律及系数映射的制导律辨识网络,有效提升对拦截弹制导系数辨识的收敛速度和求解效率。进一步基于辨识得到的拦截弹制导律参数,通过最优控制理论推导获得飞行器单边最优突防指令,有效提升了突防效能。滑翔飞行器末段飞行时空复杂度高、不确定性强、约束多,给弹道规划与制导算法带来了较大的建模和求解难度。为增大末段机动范围并提高弹道规划效率,本文提出了一种利用深度置信网络预测末段机动能力、设计经由点状态实现末段大包络多约束智能弹道规划的方法。结合深度置信网络中提取高维输入变量特征的无监督预训练和全局微调的有监督训练,得到具有更快收敛速度的末段机动能力预测网络,用于给出经由点速度的上下限,快速判定经由点状态的可行性;通过经由点状态智能设计,扩大弹道机动包络;通过设计三角函数型弹目视线角及机动弹道最优末制导律实现摆动机动形式的末段打击弹道,并调节机动频率以满足速度约束,提升末段突防效能。论文探索了人工智能方法在滑翔飞行器弹道规划与制导上的应用,研究成果对滑翔飞行器的总体设计与先进制导方案有一定的借鉴意义。
康硕[8]（2020）在《电液式负载模拟器耦合特性及非线性加载控制策略研究》文中提出运载火箭推力矢量伺服机构是火箭的运动控制子系统,其性能优劣直接影响火箭在发射过程中的控制性能与可靠程度。在其研发过程中,通常采用一类电液式负载模拟器来实现地面性能测试。因此,负载模拟器对实际环境载荷变化情况的模拟精度高低与加载性能好坏直接决定推力矢量伺服机构的性能测试数据是否准确有效,进而间接影响火箭发射过程的可靠性。本文针对模拟载荷加载过程中所涉及的加载动力学建模问题与固有耦合特性问题进行了深入探讨,进而设计了相应的非线性加载控制策略,用以实现模拟载荷的高精度加载。首先,根据电液式负载模拟器的实际机械结构,提出了一种多扰动耦合力加载模型,其中考虑了来自被试推力矢量伺服机构的位置扰动、加载液压缸内部摩擦以及传动机构间隙等各类扰动因素对载荷加载过程的综合影响;并从理论上阐释了多余力现象的产生机理。通过对比仿真结果与实际工程现象,验证了所提模型的合理性,为后续分析非线性耦合扰动对加载性能的影响和设计基于模型的非线性加载控制策略奠定了理论基础。针对加载液压缸内部摩擦与传动机械间隙影响的精确补偿问题,对如何获得实际负载模拟试验系统中摩擦与间隙的精确数学描述进行了研究。考虑摩擦动态特性与间隙不连续特性,分别提出了适用于参数辨识的改进广义麦克斯韦尔滑移摩擦模型与拟线性间隙模型。继而,相应地设计了基于粒子群优化算法的摩擦参数辨识方法与结合二阶滑模速度观测器、递归最小二乘法的间隙参数辨识方法,解决了非线性模型参数难以准确辨识的问题。根据上述辨识方法与试验数据,获得了实际系统中的摩擦与间隙精确模型,并分析了各扰动参数摄动对加载性能的影响,进一步完善了前述多扰动耦合力加载模型,为后续设计非线性扰动的精确补偿方法提供了可行性。针对如何在多扰动耦合影响下实现模拟载荷的高精度加载问题,基于所建多扰动耦合力加载模型,分别设计了改进自适应终端滑模加载控制策略与基于控制输入抗饱和的几乎干扰解耦加载控制策略。首先,从改善加载过程鲁棒性的角度出发,提出了一种基于速度观测器的改进自适应终端滑模加载控制策略,该方法既可同时抑制位置扰动与间隙作用的影响,其有限时间收敛特性又可保证系统的动态性能,且其自适应项可对摩擦参数不确定性进行有效补偿。其次,采用将外部干扰从力加载过程解耦的思路,并考虑增强控制策略的工程实用性,又提出了一种基于控制输入抗饱和的几乎干扰解耦加载控制策略;此方法基于位置扰动与输出加载力的耦合特性分析与微分几何理论设计,通过选取合适的控制参数可将力跟踪误差减小至精度指标范围内,且无需考虑外部扰动的形式与边界,更为简单易行;此外,通过加入饱和补偿辅助子系统,减小了由硬件限幅引起的控制信号振荡,进而消除了相应的响应滞后现象,有效改善了加载过程的动态品质。最后,上述两种加载控制策略在改善力加载精度与动态性能方面的有效性均得到了仿真验证。为了验证上述所提出的两种加载控制策略在实际工程应用中的可行性,搭建了负载模拟试验系统,分别对二者的有效性进行了试验验证;并在此基础上,分别对比归纳了所提非线性控制策略与工业中常用的基于结构不变性前馈补偿的PID策略之间,以及两种非线性加载控制策略之间的性能差异,从而针对如何在不同应用场合下选取合适的加载控制策略给出指导意见。
王迦祺[9]（2020）在《基于智能计算的模块化非线性系统辨识研究》文中提出非线性系统辨识一直是过程控制领域中的热点问题。而模块化模型作为非线性模型的一种,便于操作,能够有效拟合实际生产系统,因此常用于非线性系统辨识中。考虑到智能计算领域近年来发展飞快,成功解决了诸多非线性系统辨识问题,本文主要针对两种典型的模块化模型:Wiener模型和Hammerstein模型,结合智能优化算法和神经网络来研究具体辨识方案。主要内容包括:（1）针对标准粒子群优化算法（PSO）易早熟收敛等缺点,通过引入早熟收敛程度评价指标,将种群分类后对其位置进行自适应调整,提出了一种改进的粒子群优化算法（MPSO）。针对标准飞蛾优化算法（MFO）横向定位机制的低效性,将高斯混合分布思想引入其位置更新和种群初始化中,提出了一种新型的高斯混合飞蛾优化算法（GMFO）,并通过测试函数证明了其有效性。（2）针对Wiener模型进行研究,线性模块用动态线性神经元来表示,非线性模块分别用BP神经网络和RBF神经网络来逼近,将模型表达成串联的网络结构。将双层优化策略应用到辨识中,内层学习采用BP算法,而外层学习采用MPSO算法,之后通过对CO2浓度系统的辨识证明了辨识方案的有效性。（3）研究SISO Hammerstein模型,利用函数连接型神经网络（FLANN）来表示非线性模块,通过将均方误差（MSE）定为评价指标,利用提出的GMFO算法对FLANN-IIR结构进行训练,很好地结合了 GMFO算法的计算能力和FLANN的非线性拟合能力。最后通过几组实例证明了方法的有效性。（4）研究重尾噪声影响下的MIMO Hammerstein模型辨识问题。考虑到传统辨识算法受到重尾噪声干扰可能会失效,而GMFO算法中的高斯混合飞行策略能够有效应对重尾噪声中离群点的干扰,我们将静态非线性模块用RBF神经网络来拟合,利用GMFO算法将RBFNN的训练和线性部分的参数辨识同步进行。最后实验证明了辨识方案的有效性和对离群点的鲁棒性。
毛乾龙[10]（2020）在《基于光伏电池模型的参数辨识及其应用》文中研究表明随着人类盲目对不可再生能源的利用,能源危机已经逐渐逼近,各国已经纷纷将产业结构往可再生能源方向发展。我国尤其重视新能源的发展,并为此出台各项政策以推动新能源在技术和规模上领先世界。太阳能被誉为最为清洁的能源,从提出光电效应理论到光伏电站大规模投产,人类对光伏科技的发展技术上已经成熟。随着我国光伏发电产业的逐步发展,光伏电池的质量、寿命、光电转化率等越来越成为制约其发展的关键因素。因此,为进一步促进我国光伏产业的发展,提高光伏电池质量,延长光伏电池寿命、增加光电转化率,就有必要对光伏电池内部参数以及内部参数对外部特性的影响进行深入研究。目前,大多学者对光伏电池的研究都是在光伏电池外部特性的基础上进行深入分析,通过光伏电池外部电流电压的变化来对光伏电池进行简单的电气特性描述,虽然也能对光伏电池质量,寿命,光电转化率进行简单的评估,但这些都不能表明光伏电池内部参数与外部特性的关系,也不适合光伏电池高质量领域的应用。当前,光伏电池电信号诊断方法和红外图像诊断方法应用较为普遍。这两大类方法都是根据光伏电池外部特性来检测故障,与此相反,本文从光伏电池内部参数为切入点,以输入输出的电流电压为数据源,建立光伏电池单二级管光伏电池模型,从光伏电池内部研究影响光伏电池故障的参数变化,并对光伏电池的各种故障进行定量描述。由于传统的单二极管光伏电池模型是由一种Ⅰ-Ⅴ非线性超越方程搭建而成,利用传统数学方法对方程求解困难,对光伏电池内部机理与外部特性的研究不利。为了探究光伏电池内部参数与光伏电池外部特性之间的关系,本文引进了人工蜂群算法,并优化了人工蜂群算法的局部搜索,使其更好的实现了光伏电池参数的辨识,解决了非线性超越方程求解困难的问题。除此之外,本文还利用粒子群算法、粒子群改进算法即混沌粒子群算法对光伏电池进行参数辨识,更好的分析所改进的人工蜂群算法在光伏电池参数辨识的方法上的优越性。然后,通过改进的人工蜂群算法对不同工况下的光伏电池进行参数辨识,并绘制出所对应Ⅰ-Ⅴ曲线图,为正常运行下的光伏电池参数提供参考依据,并为光伏电池参数辨识的应用即故障诊断提供理论依据。本文研究的重点是对光伏电池的参数进行快速准确地辨识,并将辨识的参数应用于故障诊断的样本数据,利用光伏电池参数与故障类型之间的对应关系,建立故障诊断模型,完成故障诊断。为了更好的体现光伏电池参数辨识的应用价值,本文以四种常见的光伏电池故障类型,如光伏电池正常、短路、开路、和老化为研究对象。首先,探究故障类型与光伏电池参数的关系并以此规律建立光伏电池故障仿真模型。其次,利用故障输出的电流电压进行参数辨识,辨识结果用于故障诊断的样本集,再对故障样本进行训练。最后通过不同的测试样本对故障类型进行分类,验证诊断模型的准确性。
二、具有快速学习算法的神经网络及其在系统辨识中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、具有快速学习算法的神经网络及其在系统辨识中的应用（论文提纲范文）
（1）人工智能在电力系统宽频振荡中的应用与挑战（论文提纲范文）
| 0 引言 |
| 1 人工智能适用于宽频振荡问题的探讨 |
| 1.1 人工智能基本原理与应用特点 |
| 1.2 宽频振荡分类及机理 |
| 1.3 人工智能应用于宽频振荡的必要性与合理性 |
| 2 人工智能在宽频振荡辨识中的应用现状与挑战 |
| 2.1 人工智能在宽频振荡辨识中的应用现状 |
| 2.2 人工智能在宽频振荡辨识中的应用挑战 |
| 3 人工智能在宽频振荡源定位中的应用现状与挑战 |
| 3.1 人工智能在宽频振荡源定位中的应用现状 |
| 3.2 人工智能在宽频振荡源定位中的应用挑战 |
| 4 人工智能在宽频振荡抑制中的应用现状与挑战 |
| 4.1 人工智能在宽频振荡抑制中的应用现状 |
| 4.2 人工智能在宽频振荡抑制中的应用挑战 |
| 5 未来研究思路探讨 |
| 6 结论 |
（2）基于参数辨识的异步电机效率优化（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 异步电机效率优化控制策略 |
| 1.2.1 搜索控制法研究现状 |
| 1.2.2 基于损耗模型的效率优化研究现状 |
| 1.2.3 混合控制法的研究现状 |
| 1.3 异步电机在线参数辨识研究现状 |
| 1.3.1 直接辨识方法 |
| 1.3.2 间接辨识方法 |
| 1.3.3 智能辨识方法 |
| 1.4 本文研究内容和结构安排 |
| 2 考虑铁损的异步电机模型及矢量控制 |
| 2.1 考虑铁损异步电机的数学模型及其仿真 |
| 2.1.1 考虑铁损异步电机的数学模型 |
| 2.1.2 模型验证 |
| 2.2 基于矢量控制控制的异步电机 |
| 2.2.1 矢量控制原理 |
| 2.2.2 考虑铁损的三相异步电动机矢量控制及仿真 |
| 2.3 本章小结 |
| 3 矢量控制下的异步电机效率优化 |
| 3.1 基于损耗模型的电机效率优化 |
| 3.1.1 异步电动机损耗分析 |
| 3.1.2 最佳转子磁通的求解 |
| 3.2 损耗模型法效率优化仿真 |
| 3.3 本章小结 |
| 4 基于卡尔曼滤波算法的异步电机的参数辨识 |
| 4.1 电机参数误差对基于模型的效率优化算法的影响 |
| 4.2 基于扩展卡尔曼滤波算法的电机参数辨识 |
| 4.2.1 扩展卡尔曼滤波算法原理 |
| 4.2.2 扩展卡尔曼滤波算法估计电机转子电阻 |
| 4.3 EKF估计电机转子电阻仿真 |
| 4.4 本章小结 |
| 5 基于MRAS及其改进算法的参数辨识 |
| 5.1 模型参考自适应理论 |
| 5.1.1 模型参考自适应原理 |
| 5.1.2 自适应结构设计 |
| 5.2 基于模型参考自适应辨识电机参数 |
| 5.2.1 辨识模型选取 |
| 5.2.2 基于电流-电压模型的MRAS参数辨识 |
| 5.3 基于单神经元模型参考自适应的电机参数辨识 |
| 5.3.1 单神经元模型介绍 |
| 5.3.2 单神经元PID控制器设计 |
| 5.3.3 单神经元PID控制器学习算法设计 |
| 5.4 基于MRAS参数辨识的仿真分析 |
| 5.4.1 待辨识参数时不变工况下的仿真分析 |
| 5.4.2 待辨识参数变化工况下的仿真分析 |
| 5.4.3 基于单神经元PID的参数辨识的仿真分析 |
| 5.5 基于MRAS参数辨识的异步电机效率优化 |
| 5.5.1 基于MRAS参数辨识的最佳磁链控制策略 |
| 5.5.2 基于MRAS参数辨识的异步电机效率优化仿真分析 |
| 5.6 本章小结 |
| 6 实验及分析 |
| 6.1 硬件平台介绍 |
| 6.1.1 实验平台框架 |
| 6.1.2 主电路 |
| 6.2 实验系统软件设计 |
| 6.2.1 主程序 |
| 6.2.2 效率优化算法程序设计 |
| 6.3 实验系统平台及实验结果分析 |
| 6.3.1 实验结果及分析 |
| 6.4 本章小结 |
| 7 本文总结与未来展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间相关科研成果 |
（3）履带机器人地形辨识及自主行驶控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 履带-土壤动力学研究进展 |
| 1.4 地形辨识研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.5 机器人自主行驶研究现状 |
| 1.5.1 经典控制方法 |
| 1.5.2 学习型控制方法 |
| 1.6 研究存在的不足 |
| 1.7 课题研究目标与研究内容 |
| 1.7.1 课题研究目标 |
| 1.7.2 课题研究内容及技术路线 |
| 1.8 本章小结 |
| 2 复杂地形的履带机器人系统建模 |
| 2.1 运动学建模研究 |
| 2.1.1 基于转向瞬心的履带机器人运动学模型 |
| 2.1.2 复杂地形下的履带机器人运动学模型 |
| 2.2 动力学建模研究 |
| 2.2.1 单侧履带-土壤动力学模型 |
| 2.2.2 基于履带-土壤动力学的转向模型 |
| 2.2.3 履带机器人三维动力学模型 |
| 2.2.4 履带机器人转向动力学快速计算模型 |
| 2.3 履带机器人复杂地形系统建模 |
| 2.4 本章小结 |
| 3 多地形数据采集及处理 |
| 3.1 多地形数据采集 |
| 3.1.1 履带机器人实验平台 |
| 3.1.2 数据集信号汇总 |
| 3.1.3 非相似多地形数据采集 |
| 3.1.4 相似多地形数据采集 |
| 3.2 特征信息处理 |
| 3.2.1 特征提取 |
| 3.2.2 基于协方差的特征选择 |
| 3.2.3 特征分析 |
| 3.3 转向动力学快速计算模型修正 |
| 3.3.1 基于扩展卡尔曼滤波的状态估计 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 4 基于内感受型传感器信号的地形辨识 |
| 4.1 基于概率神经网络的非相似地形辨识 |
| 4.1.1 概率神经网络 |
| 4.1.2 实验设定 |
| 4.1.3 结果分析 |
| 4.1.4 算法小结 |
| 4.2 基于复合深度置信网络的相似地形辨识 |
| 4.2.1 复合深度置信网络 |
| 4.2.2 结果分析 |
| 4.2.3 算法小结 |
| 4.3 基于集成学习的相似地形辨识 |
| 4.3.1 集成学习算法 |
| 4.3.2 结果分析 |
| 4.3.3 算法小结 |
| 4.4 本章小结 |
| 5 基于数据驱动的履带机器人驱动扭矩预测 |
| 5.1 不同高斯内核下的单调性回归分析 |
| 5.1.1 结合单调性的高斯过程 |
| 5.1.2 回归设定 |
| 5.1.3 回归结果分析 |
| 5.2 基于高斯过程的扭矩误差补偿 |
| 5.2.1 基于双平方指数函数的高斯过程 |
| 5.2.2 实验设定 |
| 5.2.3 预测结果分析 |
| 5.3 本章小结 |
| 6 履带机器人分层集成路径跟踪控制 |
| 6.1 分层集成控制框架 |
| 6.2 硬件在环实验 |
| 6.3 同地形路径跟踪控制 |
| 6.3.1 正弦路径跟踪控制 |
| 6.3.2 圆形路径跟踪控制 |
| 6.4 变地形路径跟踪控制 |
| 6.4.1 非相似变地形路径跟踪验证 |
| 6.4.2 相似变地形路径跟踪验证 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（4）基于强化学习的辨识算法超参数优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 系统辨识理论的发展概况 |
| 1.2.1 系统辨识技术概述 |
| 1.2.2 系统辨识国内外研究现状 |
| 1.3 辨识算法的超参数优化问题 |
| 1.3.1 黑盒优化问题建模 |
| 1.3.2 超参数优化问题国内外研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 强化学习 |
| 2.1 引言 |
| 2.2 强化学习概述 |
| 2.2.1 强化学习原理及结构 |
| 2.2.2 强化学习方法及分类 |
| 2.3 强化学习算法介绍 |
| 2.3.1 Q-learning强化学习算法 |
| 2.3.2 DDPG强化学习算法 |
| 2.4 本章小结 |
| 第3章 基于强化学习的渐消记忆最小二乘遗忘因子优化 |
| 3.1 引言 |
| 3.2 渐消记忆最小二乘系统辨识 |
| 3.2.1 辨识对象的选择 |
| 3.2.2 渐消记忆最小二乘系统辨识 |
| 3.3 遗忘因子优化问题的MDP建模 |
| 3.3.1 遗忘因子优化问题的MDP模型建立 |
| 3.3.2 MDP模型的合理性验证 |
| 3.4 方法及改进 |
| 3.4.1 基于DDPG的遗忘因子优化方法 |
| 3.4.2 方法验证 |
| 3.4.3 方法改进 |
| 3.5 验证实验 |
| 3.5.1 验证实验一 |
| 3.5.2 验证实验二 |
| 3.6 主动侧杆系统辨识 |
| 3.6.1 主动侧杆系统介绍 |
| 3.6.2 渐消记忆最小二乘系统辨识实验 |
| 3.7 本章小结 |
| 第4章 基于强化学习的神经网络超参数优化 |
| 4.1 引言 |
| 4.2 神经网络系统辨识 |
| 4.2.1 神经网络系统辨识原理 |
| 4.2.2 神经网络系统辨识的实现 |
| 4.3 BP神经网络超参数优化问题的MDP建模 |
| 4.4 方法及改进 |
| 4.4.1 基于Q-learning的 BP神经网络超参数优化方法 |
| 4.4.2 方法改进 |
| 4.5 验证实验 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得创新性成果 |
| 致谢 |
（5）水轮机调速系统模型参数辨识及PID参数优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 水轮机调速系统研究现状及其运用 |
| 1.2.1 水轮机调速器研究现状 |
| 1.2.2 水轮机调速系统控制策略发展现状及其运用 |
| 1.3 水轮机调速系统模型及其参数辨识的研究现状 |
| 1.3.1 水轮机调速系统模型的研究现状 |
| 1.3.2 水轮机调速系统模型参数辨识的研究现状 |
| 1.4 水轮机调速系统仿真的意义 |
| 1.5 本文主要研究内容 |
| 第二章 水轮机调速系统数学模型 |
| 2.1 引言 |
| 2.2 压力引水系统 |
| 2.3 水轮机线性化模型 |
| 2.4 水轮机非线性模型 |
| 2.4.1 刚性水击下的非线性水轮机模型 |
| 2.4.2 弹性水击下的非线性水轮机模型 |
| 2.5 PID控制规律 |
| 2.6 发电机及负荷数学模型 |
| 2.7 本章小结 |
| 第三章 水轮机调速系统线性模型参数辨识 |
| 3.1 引言 |
| 3.2 参数辨识原理 |
| 3.3 粒子群算法原理 |
| 3.3.1 粒子群优化算法 |
| 3.3.2 算法流程 |
| 3.4 参数设置与辨识仿真 |
| 3.5 本章小结 |
| 第四章 水轮机调速系统非线性模型参数辨识 |
| 4.1 引言 |
| 4.2 基于ABC的非线性模型参数辨识 |
| 4.2.1 适应度函数及辨识流程 |
| 4.2.2 ABC算法原理及流程 |
| 4.2.3 参数辨识仿真 |
| 4.2.4 结论 |
| 4.3 基于LF-PSO的非线性模型参数辨识 |
| 4.3.1 适应度函数 |
| 4.3.2 LF-PSO原理及算法流程 |
| 4.3.3 参数辨识仿真 |
| 4.3.4 结论 |
| 4.4 本章小结 |
| 第五章 水轮机调速系统PID参数优化 |
| 5.1 引言 |
| 5.2 基于差分进化算法的PID参数优化 |
| 5.2.1 差分进化算法 |
| 5.2.2 算法原理及流程图 |
| 5.2.3 适应度函数 |
| 5.2.4 仿真模型及其参数设置 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 学术论文 |
（6）数据驱动的旋转机械智能故障辨识方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于故障机理分析的故障辨识方法 |
| 1.2.2 基于传统数据驱动的故障辨识方法 |
| 1.2.3 基于深度学习的故障辨识方法 |
| 1.3 当前需要解决的主要问题 |
| 1.4 本论文研究工作的主要内容及思路 |
| 1.5 本论文章节安排 |
| 第2章 EWT与 WMNRS结合的旋转机械故障特征提取方法 |
| 2.1 引言 |
| 2.2 经验小波变换(EWT) |
| 2.3 邻域粗糙集(NRS) |
| 2.4 EWT与 WMNRS结合的故障特征提取方法 |
| 2.4.1 设计的WMNRS特征选择算法 |
| 2.4.2 建立的特征提取方法及其应用流程 |
| 2.5 应用结果与分析 |
| 2.5.1 实验装置与数据介绍 |
| 2.5.2 邻域半径对属性约简的影响 |
| 2.5.3 加权特征与所有特征的对比分析 |
| 2.5.4 WMNRS与单一邻域粗糙集对比分析 |
| 2.5.5 多种分类器测试对比分析 |
| 2.6 讨论与分析 |
| 2.7 本章小结 |
| 第3章 利用卷积神经网络融合多传感器信号特征的故障辨识方法 |
| 3.1 引言 |
| 3.2 卷积神经网络(CNN) |
| 3.2.1 CNN网络的结构特点与分析 |
| 3.2.2 损失函数 |
| 3.2.3 反向传播算法 |
| 3.2.4 训练策略 |
| 3.3 利用CNN融合多传感器信号特征的故障辨识方法 |
| 3.3.1 模型设计 |
| 3.3.2 建立的故障辨识方法及其应用流程 |
| 3.4 应用结果与分析 |
| 3.4.1 多传感器信号特征融合 |
| 3.4.2 训练样本集对模型性能的影响 |
| 3.4.3 与单传感器信号辨识结果的对比分析 |
| 3.4.4 与其他辨识方法的对比分析 |
| 3.4.5 抗噪性能测试 |
| 3.5 本章小结 |
| 第4章 面向数据不平衡的卷积神经网络故障辨识方法 |
| 4.1 引言 |
| 4.2 数据不平衡问题的描述 |
| 4.3 基于MMOCNN的故障辨识方法 |
| 4.3.1 构造的最小最大化目标函数 |
| 4.3.2 模型设计 |
| 4.3.3 建立的故障辨识方法及其应用流程 |
| 4.4 应用结果与分析 |
| 4.4.1 数据来源 |
| 4.4.2 超参数的选择 |
| 4.4.3 最小最大化目标函数的有效性分析 |
| 4.4.4 对比实验情况 |
| 4.4.5 模型的泛化性能测试 |
| 4.5 本章小结 |
| 第5章 基于半监督卷积神经网络的故障辨识方法 |
| 5.1 引言 |
| 5.2 最大间距准则(MMC) |
| 5.3 基于SSCNN的故障辨识方法 |
| 5.3.1 构造的CPMMC损失函数 |
| 5.3.2 模型设计 |
| 5.3.3 建立的故障辨识方法及其应用流程 |
| 5.4 应用结果与分析 |
| 5.4.1 基于SSCNN的故障辨识方法在公开轴承数据集上的应用 |
| 5.4.2 基于SSCNN的故障辨识方法在实测轴承数据集上的应用 |
| 5.5 本章小结 |
| 第6章 对抗式域自适应卷积神经网络的故障辨识方法 |
| 6.1 引言 |
| 6.2 对抗学习的概念 |
| 6.3 最大均值差异(MMD)的定义 |
| 6.4 基于ADACNN的故障辨识方法 |
| 6.4.1 模型设计 |
| 6.4.2 设计的对抗式域自适应 |
| 6.4.3 设计的类别域自适应 |
| 6.4.4 ADACNN目标函数的构造与优化 |
| 6.4.5 建立的故障辨识方法及其应用流程 |
| 6.5 应用结果与分析 |
| 6.5.1 基于ADACNN的故障辨识方法在公开轴承数据集上的应用 |
| 6.5.2 基于ADACNN的故障辨识方法在实测轴承数据集上的应用 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间的研究成果 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（7）滑翔飞行器滑翔能力智能预示与多约束制导研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及目的意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 滑翔飞行器发展现状及分析 |
| 1.2.2 人工智能及神经网络技术发展现状及分析 |
| 1.2.3 飞行器智能弹道规划与制导技术发展现状及分析 |
| 1.3 论文的组织结构与主要研究内容 |
| 1.3.1 本文的组织结构 |
| 1.3.2 本文的主要研究内容 |
| 第2章 滑翔飞行器气动参数辨识 |
| 2.1 引言 |
| 2.2 基于实测弹道数据的气动参数离线辨识 |
| 2.2.1 基于有限实测弹道的气动参数离线辨识与修正 |
| 2.2.2 气动参数辨识所用模型 |
| 2.2.3 气动参数辨识极大似然估计准则 |
| 2.3 基于推广气动插值表模型的神经网络训练 |
| 2.3.1 对气动插值表非试验点的推广修正 |
| 2.3.2 对修正后气动模型神经网络的训练 |
| 2.4 气动参数辨识仿真分析 |
| 2.4.1 飞行器参数及仿真条件设置 |
| 2.4.2 基于实测弹道的气动参数辨识分析 |
| 2.4.3 气动模型的推广修正与神经网络训练分析 |
| 2.5 本章小结 |
| 第3章 基于深度置信网络的滑翔航程在线预测 |
| 3.1 引言 |
| 3.2 神经网络样本库的构建 |
| 3.2.1 输入变量及输出变量 |
| 3.2.2 基于弹道优化的样本库建立 |
| 3.3 基于多层感知机的滑翔航程在线预测 |
| 3.3.1 多层感知机结构设计 |
| 3.3.2 基于L-M的弹性反向传播训练方法 |
| 3.4 基于深度置信网络的滑翔航程在线预测 |
| 3.4.1 深度置信网络结构设计 |
| 3.4.2 无监督预训练及全局有监督微调 |
| 3.4.3 滑翔航程预示深度置信网络参数设计 |
| 3.5 基于深度置信网络的滑翔航程在线预测仿真 |
| 3.5.1 滑翔航程预示样本库的构建 |
| 3.5.2 神经网络滑翔航程预示仿真结果 |
| 3.6 本章小结 |
| 第4章 考虑威胁区的滑翔飞行器智能规避决策 |
| 4.1 引言 |
| 4.2 威胁区等级判定 |
| 4.2.1 威胁判定流程 |
| 4.2.2 威胁元素建模及威胁等级判定 |
| 4.3 航程预测网络样本库构建 |
| 4.3.1 机动弹道规划建模 |
| 4.3.2 启发式A*规划算法研究 |
| 4.3.3 样本构建流程 |
| 4.4 基于绕飞航程预测神经网络的规避决策 |
| 4.5 绕飞航程智能预测及威胁区规避决策仿真 |
| 4.6 本章小结 |
| 第5章 基于拦截制导律智能辨识的中段最优突防制导 |
| 5.1 引言 |
| 5.2 制导律辨识问题建模 |
| 5.3 基于交互式多模型自适应滤波的制导参数辨识方法 |
| 5.4 基于循环卷积神经网络的拦截弹制导律系数智能辨识 |
| 5.4.1 样本构建 |
| 5.4.2 循环卷积制导律系数辨识网络设计 |
| 5.4.3 基于制导参数辨识结果的最优突防制导律 |
| 5.5 针对高机动拦截威胁的中段智能突防仿真 |
| 5.5.1 制导律辨识仿真分析 |
| 5.5.2 单边最优突防仿真分析 |
| 5.6 本章小结 |
| 第6章 末段多约束智能弹道规划与制导 |
| 6.1 引言 |
| 6.2 末段机动能力智能预测 |
| 6.2.1 输入变量及输出变量 |
| 6.2.2 样本的生成 |
| 6.3 末段多约束弹道规划 |
| 6.3.1 经由点协调规划 |
| 6.3.2 三角函数型机动弹道规划 |
| 6.3.3 机动弹道最优制导律设计 |
| 6.4 末段宽域多约束智能弹道规划与制导仿真 |
| 6.4.1 机动能力预测样本库构建 |
| 6.4.2 机动能力预测分析 |
| 6.4.3 经由点设计及多约束制导仿真分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（8）电液式负载模拟器耦合特性及非线性加载控制策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 负载模拟器研究综述 |
| 1.2.1 负载模拟设备的研制开发进展 |
| 1.2.2 负载模拟加载技术的研究进展 |
| 1.3 问题提出及本文主要研究内容 |
| 1.3.1 问题的提出 |
| 1.3.2 主要研究内容及论文结构 |
| 2 电液式负载模拟器系统建模研究 |
| 2.1 引言 |
| 2.2 电液式负载模拟试验系统的基本组成及工作原理 |
| 2.2.1 基本组成 |
| 2.2.2 工作原理 |
| 2.3 考虑多种扰动耦合影响的力伺服加载模型 |
| 2.3.1 力伺服加载过程的基本非线性模型 |
| 2.3.2 考虑位置扰动耦合影响的力伺服加载改进模型 |
| 2.3.3 考虑其它非线性扰动因素耦合影响的力伺服加载改进模型 |
| 2.3.4 力伺服加载装置中的其它环节模型 |
| 2.4 多扰动耦合力加载模型的仿真验证 |
| 2.5 本章小结 |
| 3 负载模拟试验系统非线性扰动因素的建模与参数辨识 |
| 3.1 引言 |
| 3.2 力加载液压缸非线性摩擦特性的建模与参数辨识 |
| 3.2.1 改进GMS摩擦辨识模型的提出 |
| 3.2.2 基于改进GMS模型的摩擦参数辨识方法设计、验证与试验 |
| 3.2.3 力加载液压缸非线性摩擦特性对力加载性能的影响分析 |
| 3.3 加载传动机构非线性间隙特性的建模与参数辨识 |
| 3.3.1 拟线性间隙辨识模型的提出 |
| 3.3.2 基于拟线性间隙模型的非线性参数辨识方法设计 |
| 3.3.3 间隙特性参数辨识方法的仿真验证 |
| 3.3.4 负载模拟试验系统间隙特性的参数辨识结果分析 |
| 3.3.5 加载传动机构非线性间隙特性对力加载性能的影响分析 |
| 3.4 本章小结 |
| 4 基于速度观测器的改进自适应终端滑模加载控制策略研究 |
| 4.1 引言 |
| 4.2 基于有限时间速度观测的扰动间接估计方法 |
| 4.3 改进自适应终端滑模加载控制策略设计 |
| 4.3.1 自适应终端滑模控制律设计 |
| 4.3.2 系统稳定性与有限时间收敛特性分析 |
| 4.4 加载控制效果的仿真验证与结果分析 |
| 4.5 本章小结 |
| 5 基于控制输入抗饱和的几乎干扰解耦加载控制策略研究 |
| 5.1 引言 |
| 5.2 干扰解耦问题的提出与解耦模型的推导 |
| 5.2.1 干扰解耦问题的提出及微分几何相关概念 |
| 5.2.2 标准解耦模型的推导 |
| 5.3 位置扰动与加载力的耦合特性分析及系统局部正则型推导 |
| 5.3.1 位置扰动与加载力的耦合特性分析 |
| 5.3.2 多扰动耦合力加载改进模型的局部正则型推导 |
| 5.4 基于控制输入抗饱和的几乎干扰解耦加载控制策略设计 |
| 5.4.1 几乎干扰解耦控制相关概念 |
| 5.4.2 抗饱和辅助子系统与几乎干扰解耦控制律设计 |
| 5.5 加载控制效果的仿真验证与结果分析 |
| 5.6 本章小结 |
| 6 负载模拟加载试验验证与加载控制策略性能对比 |
| 6.1 引言 |
| 6.2 电液式负载模拟试验系统综合设计 |
| 6.2.1 液压系统的设计与选型 |
| 6.2.2 测控系统设计及上位机软件开发 |
| 6.3 加载控制效果的试验验证与加载控制策略性能对比分析 |
| 6.3.1 加载控制效果的试验验证与结果分析 |
| 6.3.2 非线性加载控制策略的性能对比分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 本文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于智能计算的模块化非线性系统辨识研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 本课题相关领域的研究现状 |
| 1.2.1 智能计算领域的研究现状 |
| 1.2.2 神经网络的研究现状 |
| 1.2.3 智能优化算法的研究现状 |
| 1.2.4 模块化非线性系统辨识的研究现状 |
| 1.3 论文研究内容 |
| 第二章 基于改进粒子群优化算法的网络化Wiener模型辨识 |
| 2.1 引言 |
| 2.2 基于神经网络的Wiener模型 |
| 2.2.1 一般的Wiener模型 |
| 2.2.2 基于BP网络的Wiener模型 |
| 2.2.3 基于RBF网络的Wiener模型 |
| 2.3 改进的粒子群优化算法 |
| 2.3.1 标准粒子群优化算法 |
| 2.3.2 各个参数对算法性能的影响 |
| 2.3.3 MPSO算法 |
| 2.4 基于双层优化策略的辨识 |
| 2.4.1 双层优化策略 |
| 2.4.2 辨识过程 |
| 2.5 仿真实例 |
| 2.5.1 基于BP网络的Wiener模型辨识 |
| 2.5.2 基于RBF网络的Wiener模型辨识 |
| 2.6 小结 |
| 第三章 基于高斯混合飞蛾优化算法的Hammerstein模型辨识 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 单输入单输出Hammerstein模型 |
| 3.2.2 FLANN的结构 |
| 3.3 飞蛾扑火优化算法 |
| 3.4 高斯混合飞蛾优化算法 |
| 3.5 测试函数 |
| 3.5.1 算法参数设置 |
| 3.5.2 实验结果分析 |
| 3.6 基于GMFO算法的Hammerstein模型辨识 |
| 3.6.1 辨识原理及流程 |
| 3.6.2 仿真实例 |
| 3.7 小结 |
| 第四章 重尾噪声影响下MIMO Hammerstein模型辨识研究 |
| 4.1 引言 |
| 4.2 重尾噪声 |
| 4.3 问题公式化 |
| 4.3.1 MIMO Hammerstein模型 |
| 4.3.2 MIMO RBF神经网络的结构 |
| 4.4 重尾噪声下MIMO Hammerstein模型辨识 |
| 4.4.1 辨识过程 |
| 4.4.2 GMFO算法在解决重尾噪声下辨识问题的优势 |
| 4.5 仿真实验 |
| 4.5.1 仿真实验一 |
| 4.5.2 模型验证 |
| 4.5.3 仿真实验二 |
| 4.5.4 模型验证 |
| 4.5.5 仿真实验三 |
| 4.5.6 模型验证 |
| 4.6 小结 |
| 第五章 总结及展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（10）基于光伏电池模型的参数辨识及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 光伏发电国内外发展现状 |
| 1.3 光伏电池建模及参数辨识方法分析 |
| 1.4 光伏电池参数辨识的应用 |
| 1.5 本文研究主要内容与章节安排 |
| 第2章 光伏电池常用模型及其输出特性 |
| 2.1 光伏数学模型及工作原理 |
| 2.2 优化光伏电池参数提取 |
| 2.3 Ⅰ-Ⅴ特性曲线分析 |
| 2.3.1 光照强度和温度对光伏电池输出特性的影响 |
| 2.3.2 光伏电池内部参数对外部特性影响 |
| 2.4 本章小结 |
| 第3章 基于粒子群算法的光伏电池参数辨识 |
| 3.1 粒子群算法介绍 |
| 3.1.1 粒子群算法原理 |
| 3.1.2 粒子群算法更新公式 |
| 3.1.3 算法流程 |
| 3.2 混沌粒子群优化算法 |
| 3.2.1 混沌粒子群优化算法介绍 |
| 3.2.2 混沌搜索机制 |
| 3.2.3 混沌粒子群优化算法流程 |
| 3.3 基于粒子群算法光伏电池参数辨识及调试 |
| 3.3.1 算法参数分析 |
| 3.3.2 仿真实验验证 |
| 3.4 本章小结 |
| 第4章 基于人工蜂群算法的光伏电池参数辨识 |
| 4.1 人工蜂群算法介绍 |
| 4.1.1 蜜蜂采蜜机理 |
| 4.1.2 人工蜂群算法原理 |
| 4.1.3 算法流程 |
| 4.2 改进人工蜂群算法介绍 |
| 4.2.1 改进人工蜂群算法原理 |
| 4.2.2 改进人工蜂群算法描述 |
| 4.3 基于人工蜂群算法光伏电池参数辨识及调试 |
| 4.3.1 目标函数分析 |
| 4.3.2 算法参数分析 |
| 4.3.3 仿真实验验证 |
| 4.4 本章小结 |
| 第5章 基于光伏电池参数辨识的应用 |
| 5.1 相关理论研究 |
| 5.1.1 神经网络分类 |
| 5.1.2 特征提取 |
| 5.2 概率神经网络 |
| 5.2.1 概率神经网络网络结构 |
| 5.2.2 概率神经网络的优点 |
| 5.3 卷积神经网络 |
| 5.3.1 卷积神经网络基本概念 |
| 5.3.2 卷积层 |
| 5.3.3 池化层 |
| 5.3.4 Softmax层 |
| 5.4 故障仿真 |
| 5.4.1 光伏电池参数辨识-概率神经网络 |
| 5.4.2 光伏电池参数辨识-卷积神经网络 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文目录 |
| 致谢 |
四、具有快速学习算法的神经网络及其在系统辨识中的应用（论文参考文献）
- [1]人工智能在电力系统宽频振荡中的应用与挑战[J]. 冯双,崔昊,陈佳宁,汤奕,雷家兴. 中国电机工程学报, 2021(23)
- [2]基于参数辨识的异步电机效率优化[D]. 周伟豪. 西安理工大学, 2021(01)
- [3]履带机器人地形辨识及自主行驶控制研究[D]. 曾日芽. 北京科技大学, 2021(08)
- [4]基于强化学习的辨识算法超参数优化方法研究[D]. 齐欣. 哈尔滨工业大学, 2021
- [5]水轮机调速系统模型参数辨识及PID参数优化[D]. 王伟. 昆明理工大学, 2021(01)
- [6]数据驱动的旋转机械智能故障辨识方法[D]. 吴耀春. 兰州理工大学, 2021(01)
- [7]滑翔飞行器滑翔能力智能预示与多约束制导研究[D]. 邵会兵. 哈尔滨工业大学, 2020(02)
- [8]电液式负载模拟器耦合特性及非线性加载控制策略研究[D]. 康硕. 北京交通大学, 2020(03)
- [9]基于智能计算的模块化非线性系统辨识研究[D]. 王迦祺. 北京化工大学, 2020(02)
- [10]基于光伏电池模型的参数辨识及其应用[D]. 毛乾龙. 安徽工程大学, 2020(04)