下载文档原格式
基于Hammerstein模型的执行机构非线性参数辨识陈艺文;刘鑫屏;董子健【期刊名称】《华北电力大学学报(自然科学版)》【年(卷),期】2024(51)1【摘要】针对火电机组中流过执行机构的介质流量难以测量,导致执行机构的非线性特性无法直接求取这一问题,提出用构建Hammerstein模型代替直接测量介质流量的间接测量法,进而求取执行机构的非线性特性,然后分别使用粒子群算法(PSO)和樽海鞘群算法(SSA),辨识所构建的Hammerstein模型的参数。
另外,针对PSO 算法和SSA算法辨识Hammerstein模型参数精度不高以及收敛速度慢的问题,提出了一种改进的粒子群-樽海鞘群的混合算法(IPS)。
最后基于烟道挡板的指令数据与再热器出口温度数据对模型进行了仿真。
仿真结果表明,提出的IPS算法能改善PSO算法的过早收敛问题,提高SSA算法的辨识速度。
因此通过建立Hammerstein模型能够解决介质流量难以测量的执行机构非线性参数辨识问题,并且提出的IPS算法能准确且快速的辨识Hammerstein模型的各项参数。
【总页数】8页(P135-142)【作者】陈艺文;刘鑫屏;董子健【作者单位】华北电力大学控制与计算机工程学院【正文语种】中文【中图分类】TP273【相关文献】1.基于Hammerstein模型的非线性气动弹性系统辨识2.伺服系统Hammerstein 非线性模型及参数辨识方法研究3.基于Hammerstein模型描述的非线性系统辨识新方法4.基于Hammerstein模型的非线性系统辨识方法研究5.基于Hammerstein模型的非线性系统参数辨识算法研究因版权原因，仅展示原文概要，查看原文内容请购买。
Hammerstein 非线性模型的基于PSO 的参数辨识系统的本质就是将参数的辨识问题转换为参数空间优化问题，对整个参数域进行搜索并最终获得最优的参数估计。
本课题，我们需要的参数辨识模型具体描述如下所示：一般地， Hammerstein 模型的差分方程描述为：11()()()()d A q y k q B q x k ---=其中：1-q 为滞后算子；)(k x 为非线性增益环节的增益，)(k y 为线性子系统的输出； nn q a q a q a q A -2-21-11-++++1=)(mm q b q b q b q B -2-21-11-++++1=)(均为滞后算子的1-q 的多项式。
回到你的那个论文中，论文中，我们的Hammerstein 模型为11()()()()d A q y k q B q x k ---=即没有考虑噪声干扰的部分，这里，我们的设计也是先不考虑随机噪声的干扰，在完成PSO 识辨之后，通过加入噪声来分析算法的性能。
本课题，输入信号x(k)满足如下的式子：1111111221122()()0()()0(())()()0(())()()0(())()()0()(())pZ e u t Z b aand u t orZ b a u t Z b aand u t p u t a b e b a u t Z b aand u t p u t a b e Z b a u t b aand u t p u t a b e b a u t Z b aand u t v t p u t a b e Z b a +>++∆>+-<<++∆<--++≤≤++∆>-++-+≤≤-+∆>+-+-≤≤+-∆<=+++--2222212()()0()()0()()0()()0()()00()()u t b aand u t pZ e u t Z b aand u t orZ b a u t Z b aand u t e b a u t b aand u t e b a u t b aand u t b a u t b aand u t ⎧⎫⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪≤≤--∆<⎨⎬⎪⎪+<--∆<--<<-+∆>⎪⎪-<<+∆>⎪⎪⎪⎪--<<-+∆<⎪⎪⎪⎪-+≤≤-∀∆⎩⎭这里，将V 改写为如下的式子：12311221122()()()()()()()()()pr pr v t pu t f t paf t pbf t pZ h t pZ h t e h t e h t =--++++其中：12311221122()()()()()()()()()pr pr v t pu t f t paf t pbf t pZ h t pZ h t e h t e h t =--++++11212()[(1([()()][(())]))(1([()()][()()]))](1)[(1([()()][()()]))(1([()()][()()]))]f t h u t Z b a h b a u t h Z b a u t h u t b a h u t Z b a h b a u t h Z b a u t h u t b a αα=--++++-+--+-+--++---+++--+----+--+21212()[(1([()()][(())]))(1([()()][()()]))](1)[(1([()()][()()]))(1([()()][()()]))]f t h u t Z b a h b a u t h Z b a u t h u t b a h u t Z b a h b a u t h Z b a u t h u t b a αα=--++++-+--+-+--+----+++--+----+--+31212()[(1([()()][(())]))(1([()()][()()]))](1)[(1([()()][()()]))(1([()()][()()]))]f t h u t Z b a h b a u t h Z b a u t h u t b a h u t Z b a h b a u t h Z b a u t h u t b a αα=--++++----+-+--++---+++-------+--+111222()[()()](1)[()()]()[()()](1)[()()]h t h u t Z b a h u t Z b a h t h Z b a u t h Z b a u t αααα=-+++--+-=-+-+----12()[()()]()[()()]pr pr h t h u t b a h t h b a u t =--=-+-本系统，需要识辨的系统为：121()(1)(2)()(1)y t a y t a y t v t b v t =----++-1212()(1)0.15(2)0.2(1)0.35(2)2,0.5,1, 1.2,1, 1.5, 1.2y t v t v t y t y t p a b Z Z e e =-+-+---=====-==-需要辨识的参数1212112[,,,,,,,,,]p pa pb pZ pZ e e b a a下面为代码的仿真说明部分：根据论文中的理论，我们首先需要将Hammerstein非线性模型进行分离，得到8个不同的模型，逐个对其参数进行识辨。
基于APSO–WLS–SVM的含瓦斯煤渗透率预测模型毛志勇;黄春娟;路世昌;韩榕月【摘要】为了较准确预测含瓦斯煤渗透率,有效预防瓦斯安全事故,提出自适应粒子群算法(APSO)优化的加权最小二乘法支持向量机(WLS–SVM)算法.根据对含瓦斯煤渗透率的相关理论及文献研究分析,选取有效应力、瓦斯压力、温度和抗压强度作为主要特征指标,采用APSO算法对WLS–SVM模型的组合参数(C、σ)寻优,建立APSO–WLS–SVM含瓦斯煤渗透率预测模型.结合现场实测资料中的40组数据作为训练样本,其余10组为预测样本,对该模型进行训练与检验,并将其预测结果与利用PSO–WLS–SVM和WLS–SVM模型的预测结果进行对比.结果表明:APSO-WLS-SVM模型的预测效果优于另外2个模型,提高了煤体渗透率的预测性能与泛化能力.【期刊名称】《煤田地质与勘探》【年(卷),期】2019(047)002【总页数】7页(P66-71,78)【关键词】含瓦斯煤;渗透率;自适应粒子群算法(APSO);加权最小二乘法支持向量机(WLS–SVM)【作者】毛志勇;黄春娟;路世昌;韩榕月【作者单位】辽宁工程技术大学系统工程研究所,辽宁葫芦岛 125105;辽宁工程技术大学系统工程研究所,辽宁葫芦岛 125105;辽宁工程技术大学系统工程研究所,辽宁葫芦岛 125105;辽宁工程技术大学系统工程研究所,辽宁葫芦岛 125105【正文语种】中文【中图分类】TD712;P618.11煤体瓦斯是导致煤矿瓦斯安全事故的重要因素之一。
由于影响含瓦斯煤渗透率的因素非常复杂，使得渗透过程呈现出复杂非线性、模糊性和时变性等特点，给含瓦斯煤渗透率的准确预测带来了很大困难。
因此，有必要对含瓦斯煤的渗透率预测进行深入的研究，为提前采取必要的瓦斯灾害防治措施提供理论依据。
目前，国内外学者主要从含瓦斯煤渗透率的影响因素方面进行煤体渗透率的研究。
其中，尹光志等[1]利用自行研制的“含瓦斯煤热流固耦合三轴伺服渗流实验装置”进行原煤渗流特性实验，得到了渗透率与有效应力的关系式。
第 31 卷第 5 期水下无人系统学报Vol.31 N o.5 2023 年 10 月JOURNAL OF UNMANNED UNDERSEA SYSTEMS Oct. 2023[引用格式] 张海胜, 董早鹏, 杨莲, 等. 基于改进WLSSVM的无人艇操纵性参数辨识[J]. 水下无人系统学报, 2023, 31(5): 687-695.基于改进WLSSVM的无人艇操纵性参数辨识张海胜 1,2, 董早鹏 1,2*, 杨 莲 3, 张铮淇 1,2, 齐诗杰 1,2, 李家康 1,2(1. 武汉理工大学 高性能舰船技术教育部重点实验室, 湖北 武汉, 430063; 2. 武汉理工大学 船海与能源动力工程学院, 湖北 武汉, 430063; 3. 中国船舶集团有限公司 综合技术经济研究院, 北京, 100081)摘 要: 为了实现高精度的无人艇操纵运动辨识建模, 针对最小二乘支持向量机(LSSVM)辨识无人艇2阶非线性响应模型时, 部分参数会辨识不准的问题, 设计了余弦处理方法, 对辨识模型进行重构; 为进一步提高辨识精度, 在此基础上根据数据加权思想, 结合引入变异策略的自适应粒子群算法, 提出了一种可对权值寻优的加权最小二乘支持向量机(WLSSVM)算法。
基于仿真数据和实船数据的辨识结果表明, 余弦方法重构后的模型很好地解决了参数辨识不准的问题, 权值寻优后的WLSSVM进行参数辨识建模具有更高的预报精度。
研究结果能够为无人艇操纵运动的高精度参数辨识建模提供参考。
关键词: 无人艇操纵运动; 运动参数辨识; 最小二乘支持向量机; 自适应粒子群中图分类号: TJ630.33; U661.33 文献标识码: A 文章编号: 2096-3920(2023)05-0687-09 DOI: 10.11993/j.issn.2096-3920.2022-0044Identification of Unmanned Surface Vehicle Maneuverability ParametersBased on Improved WLSSVMZHANG Haisheng1,2, DONG Zaopeng1,2*, YANG Lian3, ZHANG Zhengqi1,2, QI Shijie1,2, LI Jiakang1,2(1. Key Laboratory of High Performance Ship Technology of Ministry of Education, Wuhan University of Technology, Wuhan 430063, China; 2. School of Naval Architecture, Ocean and Energy Power Engineering, Wuhan University of Technology, Wuhan 430063, China; 3. China Institute of Marine Technology & Economy, China State Shipbuilding Corporation Limited, Beijing 100081, China)Abstract: A cosine processing method was designed to achieve high-precision identification modeling of unmanned surface vehicle(USV) maneuvering motion and address the issue that some parameters will be inaccurately identified when the second-order nonlinear response model of USVs is identified by least square support vector machine(LSSVM). On this premise, a weighted LSSVM(WLSSVM) algorithm that could optimize the weight was proposed. The algorithm was based on the idea of data weighting and used the adaptive particle swarm optimization technique with a mutation approach. Based on simulation data and actual ship data, the identification results indicate that the model after cosine reconstruction effectively handles the problem of inaccurate parameter identification. At the same time, the WLSSVM with optimized weights has better prediction accuracy for parameter identification modeling. The research findings can serve as a reference for high-precision parameter identification modeling of USV maneuvering motion.Keywords: unmanned surface vehicle; motion parameter identification; least squares support vector machine; adaptive particle swarm收稿日期: 2022-08-09; 修回日期: 2022-09-13.基金项目: 国家自然科学基金项目(51709214).作者简介: 张海胜(2000-), 男, 在读硕士, 主要研究方向为无人艇操纵性参数辨识.* 通信作者简介: 董早鹏(1988-), 男, 博士, 副教授, 主要研究方向为船舶操纵性参数辩识、海洋无人航行器集群编队与控制.0 引言无人艇具备船型轻巧、操纵灵活、智能化等优良特点, 在军事和民用领域都发挥着强大的作用,一直是近年来各国研究的热点[1]。
Journal of System Simulation2007 年 12 月Dec., 2007基于 Hsia 算法的 Hammerstein 模型辨识沈同全，孙逢春，程夕明（北京理工大学 机械与车辆工程学院，北京 100081）摘 要：针对采用广义最小二乘法（GLS ）辨识 H ammerstein 模型时反复滤波，计算效率不高的问 题，提出了利用 H sia 算法进行 H ammerstein 模型辨识的策略。
该法不需滤波，克服最小二乘解有 偏性的同时，消除了 H ammerstein 模型中非线性增益的阶次对计算效率降低的作用，编程简单， 计算快速。
仿真及试验研究证明该法省时明显，值得推广。
关键词：非线性动态过程；Hammerstein 模型；Hsia 算法；系统辨识中图分类号：TP391.9 文献标识码：A文章编号：1004-731X (2007) 23-5373-03An Identification Method for Hammerstein Model based on Hsia AlgorithmSHEN Tong-quan , SUN Feng-chun , CHENG Xi-ming(School of Mechani cal & Vehicular Engineering, Beijing Institute of Technology, Beijing, 100081, C h in a )Abstract : When Hammerstein model is identified based on the least squares algorithm (GLS), both input and output data arefiltered repeatedly and its computation efficiency is very low. A novel identification method for Hammerstein model based on Hsia algorithm was put forward. The bias of the least square solution is solved and the reducing effect for computing efficency from high order of the nonlinear system is got rid of. And also filters are unnecessary here. Hsia algorithm proposed here is simple and feasible, which is verified by simulation and test study.Keywords : nonlinear dynamic process; hammerstein model; Hsia algorithm; system identification滤波器。
第13卷第2期2018年1月中国科技论文CHINA SCIENCEPAPERVol.13N q.2Jaix2018基于APSO_WLSSVM算法的 HammersteinARMAX模型参数辨识郭伟1!，李明家2,李涛1!，乔东东2,魏妙2江苏省大气环境与装备技术协同创新中心，南京210044;2.南京信息工程大学信息与控制学院，南京210044)摘要:提出了一种新的使用粒子群算法改进最小二乘支持向量机（adaptive particle s w armoptimization, APSO-WLSSVM)的复合算法，应用进化状态估计技术和变异操作改进粒子群算法，使得算法快速收敛于优化目标，具有良好的辨识效果。
将所提 出的方法与鲁棒最小二成向量机、最小二成相量机方法进行数值例子比较研究，结果证明了所提出的APSO-WLSSVM方法的 有效性。
关键词：H am m esten模型；鲁棒最小二成向量机；自适应粒子群混合鲁棒最小二成相量机;参数辨识；数值例子中图分类号:TP3-05 文献标志码：A 文章编号= 2095- 2783(2018)02- 0136 - 07Parameter identification of Hammerstein ARMAX model based on APSO_WLSSVM algorithmGUO We112 , LI Mingjia2, LI Tao12 , QIAO Dongdong2, WEI Miao2(1. J ia n g su C ollaborative Innovation C enter on A tm ospheric E nvironm ent a n d E quipm ent T ech n o lo gy #N a n jin g 210044, China $ 2. S chool o f In fo rm a tio n a n d C ontrol #N a n jin g U n iversity o f In form a tionS cien ce an d T ech n o lo gy #N a n jin g210044? China)Abstract：A new adaptive particle swarm optimization is proposed to improve the leatt squares suppott least squares support vectort vector machine( APSO-WLSSVM) composite algorithm. The application of evolutionary state estimation techniques and mutation operation are applied to improve the particle swarm optimization (PSO) which promote the algorithm convergence to the optimization target r apidly with a good recognition effect. In methods are compared with WLSSVM and LSSVM methods. tt is proven that the effectiveness of Keywords ：Hammerstein model；weighted least squares support vectort vector machine (WLSSVM) $adaptive particle swarm optimization WLSSVM( APSO-WLSSVM) $parameter identification；numerical examples经过几十年的发展，现代控制论的系统辨识理 论的研究应用越来越广泛，成为了一门较大的学科，在航空航天1、电力系统2、化工生产3、生物医药[4]等领域都有诸多实践。
复杂大系统的研究是现代控 制理论研究的热点和难点，也是工业发展的需要。
绝大多数复杂大系统是非线性系统，对非线性 系统进行有效控制的前提，是建立较为准确的被控 xt象的数学模型&]，系统辨识便是有效的手段之一，所以研究非线性系统辨识理论很有意义&]。
辨识的 本质便是从模型范围中选取一个恰当的模型，遵循 优化目标，使得模型可以更好地描述实际系统变化 的动态特征，也就是输入输出的数量关系。
因此，辨 识主要考虑系统输入输出、模型范围、优化目标的实 施标准3个因素&]。
系统辨识主要包括结构识别和参数估计，根据 目前研究状况，主要的结构模型有模块化线性模型、V o lte ra级数模型&]、非线性差分方程模型&]、NARM AX模型集[10]、Saleh模型&1]、Rapp模型以及神经网络模型&3]，其中模块化模型有典型的Hammertein模型、Wiener模型及两者的组合模型。
本文把Hammertein模型作为研究对象，针对Ham-mertein模型的辨识方法主要有过参数法&4]、非参数 法&5]、随机梯度法&6]、迭代法&7]、递推法&8]、子空间 辨识法&9]。
这些经典的方法只能应用于特定的条件 范围，所以研究人员对这些方法进行了相应的改进。
另外，人工智能等应用条件广泛的相关算法也受到 了科研人员的青睐。
Vnpni[2e]提出了支持向量机(support vectormachine，SVM)的方法，近年来，多 种新型的最小二乘支持向量机算法兴起，如利用全 局代表点增加算法稀疏度和稳定性[21]、利用群体智 能算法改进的最小二乘支持向量机算法。
群体智能 算法包括粒子群算法、蚁群算法、果蝇优化算法等，这些方法可增强最小二乘支持向量机算法的鲁棒 性。
利用改进的智能算法在金融数据分析&2]、电力 系统检测&3]以及语音识别&4]等人工智能领域的研 究较多，在系统模型辨识方面的应用较少。
在计算收稿日期：2017-08-23基金项目：国家自然科学基金资助项目（61573189"江苏省高等学校大学生创新创业训练计划资助项目（201610300026) 第一作者：郭伟(1960—），男，教授，主要研究方向为智能控制、复杂系统分析及过程控制技术，lmsuper@第#期郭伟，等:基于APSO_WLSSVM算法的H a mm erstei nARM AX模型参数辨识137机科学飞速 的支撑下，多种智能算法的 应用也成为热点。
、受限条件更少、收敛速 快也成为了研究新型 算法的追求目标。
文基于Hammerstein模型 研究，利用 的粒子群算 最 乘支持向量机算法的参数再，形成较优的新型 算法，通过数值例子测试验证其在 模型参数的良 果，并将辨参数结果与在最 乘算法基础上利用递推辅助变量算法的算验结果 ，得出算法的 性。
1 HammersteinARMAX 模型描述离散+ISO系统模型结构如图工所示。
N(z)|e(f)图1Hammerstein模型结构该模型 性部分和非线性部 模块串联成，/(•)表示静态的非线性 的函数；G!)表的线性 的传递函数。
用〃(0表示系$ <(0表示理想的内部不可测输出 $是服从正态分布N!，g) @率谱密度为常数的信号; ^⑴为受g的；S(0为模型内部的 变 $心）、[⑴是不可测的，系统在干 下最 出为^O)。
N!)表tk为噪声模型的传递数[26]。
图1中所表示的G!):性 是Ham-mersteinARM AX系统。
因此，该模型中的各环节 具有如下的 系，即％y(t) =z(t)F e(t)$(1) z(t) =G(z)u(t) =u(t)$⑵e(t) =N(t)v(t) =⑴。
⑶其中％A(z) = 1F a1<_1F a2z~2F，F a,<~H a$(4)B(z) =b1z~1 +b2z~2F---F b%z~n Q$!) =(<)C 1F^1< 1F^⑵< 2F•••F〜〇(6) %n a n by(t) =— "a y!—.)F "btu(t)F.C1.C1n d"d tv((—.)F v(t)0(7) /!)表示的 1非线性 数可分为用给 ^估计和用多种函数 表 种 。
幕函数形式应用最为广泛，因文的非线性情况用幕数形式表示为/(；(() =u(t) =C1Hi(u(t)) F C2H2(u(t)) F----Fcn Hn(：u() = "c h(u())。
（8)式中：C1，2,…，?c)为已知的幕函数形式$ c. =1，2,…，?c)为H•对应的未知系数。
取任意的 非零常数a，根据图1的Hammerstein模型，数据输 (a/(*)，G()/a)与该模型中的输出结果//(•)，G())是一致的，为了既 得到确定的参数表达式，并 表达式的 性，使/()或者G O的其中益为定值。
假定非线性函数第一项的系数为1，也就是#1 = 1 &7]，将式(8)代入式(7)可得到％a nb n cy() =— "a y(—•F "b;"ctHt(u(( —j))F .C1j C1.C1)d"d v((—.)F v()。
（9).-=1基于Hammerstein模型，通过提出的一种AP-SO_W LSSVM算法，并通过输入输出数据{u()，y() }来辨识参数 az(i = 1，2,…，）a)，b(j = 1，2, •••，?b)和 c々（=2,…，）c)。
2 APSO_WLSSVM复合算法2.1 WLSSVM算法假 出数 {u O y O^中，用u()代表 数据，用y()代表输出数据。
在原有最 乘支持向量机模型基础上，因子'()，模型的 性；另外，引入用误 ((的范数表示的损失函数，因可定义新的优问题为min J(w() = 1wTw F#\"v(t)((t)20 h，， 2 2 (= 1a o)式中J是目标函数$ 1wTw为反映平滑程度的指标函数$ #为约束因子，可 目标平稳光滑；(()=a()/#表示在约束过程中的误差变量。
\问题的约束 件为y() =wT^(u〇) F b F(()，（ = 1，2,…，N。
11)鲁棒最 乘支持向量机模型便可表示为/(u(t)) =wT)(u)F b012)为了将非线性 cp为线性回归问题，将数 到高位特性 [28]， Lagrangian 数，即：?(w，b，（，"）=⑵wTw F# ⑵"1 —""()((()—y() F H p(u())F b)。
