基于遗传算法的非高斯系统随机分布控制

传统的控制理论并未考虑工业过程中的一些不确定因素,而这些不确定因素在生产过程中对系统的能源损耗和精度都有很大的影响.为了解决上述问题,本文研究一种基于数据的非高斯随机分布系统优化控制策略,该策略采用核密度估计（KDE）方法完全基于输出数据估计输出概率密度函数（PDF）,根据控制目标建立性能指标函数,采用遗传算法优化性能指标函数,实现输出PDF对目标PDF的跟踪.以磨矿系统为模型进行仿真,采用PDF表征粒度分布（PSD）.仿真结果表明,基于遗传算法的非高斯随机分布最优控制算法能有效地实现随机分布控制系统的控制目标,为实际工业生产提供参考.     

粒子群优化算法在随机分布控制中的应用

将粒子群优化算法应用到随机分布系统中,其随机系统控制目标不局限于传统的均值和方差,而是估算某些变量的概率密度函数.该方法能减少基于泛函算子模型的随机分布控制算法在仿真过程中的计算量,避免计算中间变量的概率密度函数,且对模型的要求不高,从而使控制结果更加精确高效.     

基于滑模状态观测器的两自由度磁悬浮球控制

首先分析了磁悬浮球绕组磁力线扭曲特性,构建了含轴向和水平两自由度的磁悬浮球运动模型,采用模型转换,将系统中的匹配性和非匹配性干扰统一重构为匹配性干扰,建立新的系统状态空间方程;其次,针对悬浮气隙中气隙速度与加速度难以获取、干扰实时性观测困难的问题,提出了含干扰重构的气隙速度、加速度滑模观测器,并基于此观测器设计了滑模跟踪控制器;最后搭建含干扰重构的滑模状态观测和跟踪协同控制仿真平台,结果表明所提控制策略在动态响应速度、跟踪误差和抗干扰能力性能方面优于传统PID控制.     

随机非完整系统控制问题综述和展望

随着随机非线性控制的发展,随机非完整系统的控制引起了学者们的注意.本文首先探讨了随机非完整控制系统的镇定问题,涉及严反馈链式系统的反馈镇定和不满足严反馈的移动机器人镇定等;其次,介绍了该系统跟踪控制及现状;最后,在总结现有结果的基础上,分析了随机非完整系统发展的趋势,给出了6个可能的研究方向.     

输出非线性方程误差类系统递推最小二乘辨识方法

随着控制技术的发展,控制对象的规模越来越大,使得辨识算法的计算量也越来越大.对于结构复杂的非线性系统,特别是包含未知参数乘积的非线性系统,使得过参数化辨识方法的参数数目大幅度增加,辨识算法的计算量也急剧增加,因此探索计算量小的参数估计方法势在必行.针对输出非线性方程误差类系统,讨论了基于过参数化模型的递推最小二乘类辨识方法;为减小过参数化辨识算法的计算量和提高辨识精度,分别利用分解技术和数据滤波技术,研究和提出了基于模型分解的递推最小二乘辨识方法和基于数据滤波的递推最小二乘辨识方法.最后给出了几个典型辨识算法的计算量、计算步骤、流程图.     

输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.     

高阶非线性系统自适应模糊有限时间状态约束控制

针对一类具有状态约束的非严格反馈高阶非线性系统,研究一种自适应模糊有限时间跟踪控制问题.首先,利用模糊逻辑系统逼近不确定性非线性函数,在此基础上,采用障碍Lyapunov函数,解决状态约束问题,通过障碍加幂积分方法和反步递推技术,提出了一种有限时间控制设计方法.在有限时间Lyapunov稳定意义下,严格证明闭环系统半全局实际有限时间稳定且系统的状态不超出给定的约束边界,并实现了有限时间跟踪控制目标.最后,仿真研究进一步验证了所提出控制方法的有效性.     

系统辨识(7)：递阶辨识原理与方法

递阶辨识是系统辨识的一个重要分支.递阶辨识原理是在大系统递阶控制的"分解-协调原理"基础上发展起来的,它不仅能够解决参数数目多、维数高、大规模系统辨识算法计算量大的问题,而且能够解决结构复杂的双线性参数系统、多线性参数系统以及非线性系统的辨识问题.首先介绍递阶辨识原理和线性方程组Ax=b的著名雅可比迭代和高斯-赛德尔迭代,给出了线性方程组的迭代方法族;其次将雅可比迭代思想和递阶辨识原理用于研究一般矩阵方程和耦合矩阵方程的递阶梯度迭代求解方法和递阶最小二乘迭代求解方法;再次介绍了方程误差模型的两阶段最小二乘辨识方法(一个简单的递阶辨识方法)和线性回归模型的递阶最小二乘辨识方法;最后研究了类多变量CARMA系统的递阶辨识方法.     

基于数据驱动高阶学习律的轮式移动机器人轨迹跟踪控制

轮式机器人执行巡逻、播种和工业生产等任务是一个强非线性的间歇过程.针对重复运行的轮式机器人轨迹跟踪问题,本文提出了一种基于数据驱动的高阶迭代学习控制算法.首先,对轮式移动机器人的模型进行推导设计,并对推导得到的状态空间形式的离散时间模型利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型;其次,设计高阶迭代优化目标函数得到控制律,并利用参数更新律估计线性输入输出数据模型中的未知参数.控制器的设计和分析只使用系统的输入输出数据,不包含任何显式的模型信息.通过采用高阶学习控制方法,在控制律中利用更多之前迭代的控制输入信息,提高了控制性能.最后,仿真结果验证了该方法在轮式机器人轨迹跟踪控制中的有效性.     

尺度叠加高斯相关模型在GRAPES-RAFS中的应用

背景误差水平相关模型影响着分析增量的结构,同时也决定着不同尺度上分析增量信息的多少。为了提高中小尺度系统的分析质量,研究尺度叠加高斯相关模型的特征及其在三维变分同化系统中的应用效果。通过分析高斯模型和尺度叠加高斯模型的空间特征,以及它们的拉普拉斯算子和谱响应函数的特征,同时依据统计的背景误差特征来改进背景误差水平相关模型。通过采用不同相关模型的GRAPES-RAFS快速分析预报循环批量试验表明:改进的尺度叠加高斯相关模型不仅能增加分析场的中小尺度信息,同时尺度叠加高斯函数描述的风场背景误差相关特征更符合实际统计结果,缓解了原高斯函数方案风场负相关偏大的问题。因而尺度叠加高斯相关模型的应用大幅度提高了分析质量,特别是风场分析质量,同时12 h内风场预报质量也略有提高,也显著提高了前24 h各量级降水的ETS评分,明显缓解了原高斯模型方案的虚警现象。尺度叠加高斯相关模型能明显增加分析的中小尺度信息和更合理地描述风场负相关结构,在三维变分分析中的应用能显著改进分析和降水预报质量。      

Variational Data Assimilation for a Lorenz Model Usinga Non-Standard Genetic Algorithm

Summary  Data assimilation in meteorology and oceanography for strongly nonlinear dynamical systems is challenging. The dynamical system studied here is the classical three-variable Lorenz model. In this context data assimilation with weak-constraint variational methods performs better than other methods like strong-constraint variational methods or Kalman filters. The difficulty in tracking the chaotic Lorenz orbit by assimilation of noisy observations results from the inherent instability in the system. In variational methods a cost function has to be minimized. It is known, that in the Lorenz case the structure of the cost function becomes more and more complex with increasing length of the assimilation time interval and with reduction of the observational data quality. This paper proposes a non-standard implementation of a genetic algorithm for searching the global minimum in case of a weak-constraint formulation. The good performance of this non-local search is shown, but the algorithm is computationally demanding due to a very large number of control parameters within the weak-constraint formulation and, thus, the algorithm is applicable for simple systems only. Received December 12, 1998 Revised May 11, 1999     

基于采样分布式估计器的多无人艇轨迹跟踪控制

提出了一种级联控制算法解决多无人艇（USVs）系统的分布式轨迹跟踪问题.这种控制算法可以分为两层：第一层是基于采样信息的分布式估计器,主要用于估计领航者的期望轨迹;第二层是每个无人艇的本地控制器,主要是结合滑模控制与神经网络径向基函数,在系统具有欠驱动、参数不确定性和扰动等因素的情况下,使其状态跟踪期望轨迹的本地估计值.为了求解上述跟踪控制问题,基于李雅普诺夫理论与级联系统理论,推导得到了所有无人艇位置状态收敛到期望轨迹的充分条件,并通过仿真结果验证了所提出控制方法的有效性与正确性.     

使用遗传算法优化雷达测量降水Z-R关系

将遗传算法应用到雷达测量降水的Z-R关系参数优化问题中,通过引入改进的误差函数加入总降水量误差控制,对1998年6月28日~7月2日阜阳地区的两次降水过程进行了参数优化试验,并和常规的最小二乘法、最优化方法及M-P参数法进行了对比,试验结果表明:新方法在总降水量估测方面具有更高的准确性和更好的动态适应性。     

一种基于stop-and-go改进的MCMA盲均衡算法

修正的常数模算法(MCMA)可以纠正相位旋转,但剩余稳态误差较大.在stop-and-go架构的基础上,提出了基于stop-and-go改进的MCMA算法.首先将局部信息量引入MCMA的误差函数,然后运用stop-and-go减少错误均衡的思想,使算法的均衡方向与MCMA保持一致,以降低剩余稳态误差.仿真结果表明,基于stop-and-go改进的MCMA盲均衡算法在保证了收敛速度的同时,码间干扰比MCMA算法降低了10 dB.     

基于误差函数的双模式混合盲均衡算法

针对基于统计量和瞬时量盲均衡算法的特点,在分析双模式算法切换方式的基础上,提出了一种基于误差函数的双模式混合盲均衡算法.该算法针对修正的常数模算法(MCMA)和判决导引算法(DD)特点,利用2种算法误差函数间的互相关性,提出了新的加权因子选取方法,动态控制双模式混合下2种算法的权重比例,更为准确地控制切换时机,即使在误判决的情况下也能因其动态特性切换回合适的权重比例.水声信道仿真实验进一步说明了该算法在收敛速度上的优越性.     

基于动态可变分段误差函数的常数模盲均衡算法

为了克服常数模算法(CMA)收敛速度慢,稳态误差大的缺点,在分析基于可变分段误差函数的常数模盲均衡算法的基础上,提出了基于动态可变分段误差函数的常数模盲均衡算法.该算法利用均方误差(MSE)来动态调节误差函数的分段点位置,误差函数特性在均衡过程中随着MSE不断变化,使得算法误差模型与发射信号的模型不断匹配,从而具有增加收敛速度和减小稳态误差的特点.分别用混合相位水声信道和最小相位水声信道对提出的新算法进行仿真实验,结果表明:对于混合相位水声信道,新算法的收敛速度明显快于CMA,且具有更小的稳态均方误差;对于最小相位水声信道,新算法的稳态均方误差明显小于CMA,而收敛速度相当.     

带有驱动器冗余的欠驱动船舶的自适应容错控制

在本文中,一种非线性自适应控制容错策略的开发使得具有推力器冗余的欠驱动船舶可以遵循预定的路径行驶,尽管存在未知的系统参数以及由波浪、风和洋流引起的环境干扰.在设计和分析中涉及的技术包括使用反步法、参数投影技术和横向函数.结果表明,本文所提出的控制器,参考路径可以用任意小的跟踪误差进行全局跟踪.仿真结果证明了该控制器的有效性.     

一个基于打靶法的大气污染源反演自适应算法

污染源反演对大气污染预报及控制有重要意义。目前普遍采用的源反演统计方法存在对观测误差、源清单先验估计误差敏感等弱点。基于打靶法思想的各种算法以其精度高、程序简单、实用性强的特点被广泛应用于系统控制领域。本文提出的基于打靶法思想的大气污染源反演自适应算法在精度高、算法简明的基础上弥补了统计方法的不足:能处理源清单中的大误差、初值大误差、观测值在个别时间点的大误差;无需先验分布假设及误差估计。本文还以简单模型的理想试验为例,展示了该自适应算法的计算效果。