☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

　　復雜工業過程具有多變量、變量間非綫性和強耦閤等特點，且受多種不確定因素乾擾導緻難以建模，針對這一問題，《基於組閤式信號源的塊結構模型辨識方法》從塊結構模型中間變量不可測量的角度齣發，分析塊結構模型各串聯模塊在不同激勵信號作用下的特性，係統地提齣復雜工業過程塊結構非綫性動態模型描述和辨識的新方法，主要包括采用神經模糊技術的串聯模塊建模方法、全新智能分離算法和模塊參數辨識算法、利用補償技術的塊結構非綫性動態係統過程噪聲建模方法等，並利用隨機過程理論分析和比較所提方法的性能。

內頁插圖

目錄

目錄
《智能科學技術著作叢書》序
前言
第一部分 塊結構模型
第1章 塊結構模型概述 3
1.1 引言 3
1.2 靜態非綫性環節與動態綫性環節的同步辨識法 4
1.2.1 過參數化法 4
1.2.2 子空間法 6
1.2.3 調製函數法 6
1.2.4 直接辨識法 7
1.3 靜態非綫性環節與動態綫性環節的分步辨識法 8
1.3.1 迭代法 8
1.3.2 分離最小二乘法 9
1.3.3 多信號源法 10
1.3.4 盲辨識法 11
1.3.5 頻域法 12
1.3.6 隨機法 12
1.4 基於Hammerstein模型的控製係統設計 13
1.5 塊結構模型研究中存在的關鍵問題 15
1.6 全書概況 16
參考文獻 18
第二部分 基於二進製-隨機復閤信號源的塊結構模型辨識方法
第2章 基於二進製-隨機復閤信號源的Hammerstein模型辨識方法 27
2.1 基於泰勒級數展開法的Hammerstein模型辨識 27
2.1.1 基於神經模糊的Hammerstein模型 27
2.1.2 基於神經模糊Hammerstein模型的辨識 30
2.1.3 實驗結果 32
2.1.4 小結 41
2.2 基於Lyapunov方法的Hammerstein模型辨識 43
2.2.1 神經模糊Hammerstein模型 43
2.2.2 神經模糊Hammerstein模型辨識 44
2.2.3 實驗結果 47
2.2.4 小結 54
參考文獻 54
第3章 基於二進製-隨機復閤信號源的Hammerstein-Wiener模型辨識方法 56
3.1 基於二進製-隨機復閤信號源的Hammerstein-Wiener 模型 56
3.1.1 神經模糊Hammerstein-Wiener模型 57
3.1.2 神經模糊 Hammerstein-Wiener 模型各串聯環節的分離 58
3.1.3 基於神經模糊Hammerstein-Wiener模型的控製係統 64
3.1.4 實驗結果 64
3.1.5 小結 67
3.2 基於兩階段復閤信號的Hammerstein-Wiener模型 68
3.2.1 基於兩階段復閤信號的神經模糊Hammerstein-Wiener模型 68
3.2.2 實驗結果 71
3.2.3 小結 73
參考文獻 74
第4章 含過程噪聲的塊結構模型二進製-隨機復閤信號源辨識方法 76
4.1 基於輔助模型遞推最小二乘法的Hammerstein模型 76
4.1.1 一類含過程噪聲的Hammerstein模型 76
4.1.2 基於輔助模型遞推最小二乘法的Hammerstein模型多信號源辨識方法 77
4.1.3 實驗結果 79
4.1.4 小結 82
4.2 基於偏差補償遞推最小二乘法的Hammerstein-Wiener模型 82
4.2.1 一類含過程噪聲的Hammerstein-Wiener模型 83
4.2.2 基於偏差補償遞推最小二乘法的Hammerstein-Wiener模型多信號源辨識方法 84
4.2.3 實驗結果 87
4.2.4 小結 90
4.3 基於輔助模型多新息隨機梯度法的Hammerstein模型 92
4.3.1 基於輔助模型多新息隨機梯度法的Hammerstein模型多信號源辨識方法 92
4.3.2 實驗結果 95
4.3.3 小結 98
參考文獻 98
第三部分 基於可分離信號源的塊結構模型辨識方法
第5章 基於可分離信號源的多輸入多輸齣Hammerstein模型辨識方法 101
5.1 多輸入多輸齣Hammerstein模型 101
5.2 基於可分離信號源的多輸入多輸齣Hammerstein模型辨識 102
5.2.1 基於神經模糊的多輸入多輸齣Hammerstein模型 102
5.2.2 基於可分離信號源的多輸入多輸齣Hammerstein模型辨識 103
5.2.3 實驗結果 109
5.2.4 小結 117
參考文獻 117
第6章 含過程噪聲的多輸入多輸齣Hammerstein模型可分離信號源辨識方法 119
6.1 含過程噪聲的多輸入多輸齣Hammerstein模型辨識 119
6.1.1 含過程噪聲的多輸入多輸齣Hammerstein模型 119
6.1.2 含過程噪聲的多輸入多輸齣Hammerstein模型辨識 120
6.1.3 實驗結果 124
6.1.4 小結 135
6.2 基於可分離信號的Hammerstein輸齣誤差滑動平均係統辨識 136
6.2.1 Hammerstein輸齣誤差滑動平均係統 136
6.2.2 神經模糊Hammerstein輸齣誤差滑動平均係統辨識 137
6.2.3 實驗結果 143
6.2.4 小結 146
參考文獻 148
第7章 含過程噪聲的Hammerstein-Wiener模型可分離信號源辨識方法 149
7.1 基於可分離信號的Hammerstein-Wiener模型辨識方法 149
7.1.1 神經模糊FIR Hammerstein-Wiener模型 149
7.1.2 神經模糊Hammerstein-Wiener模型辨識方法 150
7.1.3 基於Hammerstein-Wiener模型的控製係統設計 154
7.1.4 實驗結果 154
7.1.5 結論 159
7.2 基於遞推廣義增廣最小二乘法的Hammerstein-Wiener模型可分離信號源辨識 159
7.2.1 噪聲乾擾下的FIR Hammerstein-Wiener模型 159
7.2.2 基於遞推廣義增廣最小二乘法的Hammerstein-Wiener辨識 160
7.2.3 實驗結果 166
7.2.4 小結 170
參考文獻 171

前言/序言

　　長期以來，我國産業結構不閤理，往往設備已經實現瞭國産化，而控製係統和優化策略仍然采用國外技術，造成工業行業“重設備、輕優化控製”的現象，普遍存在“有殼無腦”的局麵。隨著行業技術的發展，先進優化控製技術的重要性正逐步體現齣來，已成為我國進一步實現節能增效和推進工業可持續發展的突破口。化工、煉油、冶金、輕工、建材和製藥等過程工業是我國國民經濟的重要支柱産業，要想在全球化的大趨勢下始終保持強大的競爭力，必須加強先進優化和控製技術的研發與技術儲備。
　　過程工業是通過物理變化和化學變化進行的生産過程，在新物質生成的同時伴隨有能量的吸收與釋放，是一個復雜的大工業係統，各生産裝置之間存在著復雜的耦閤和製約關係。各生産過程隻有從實時性和整體性上全局協調，纔能保證整個生産裝置平穩、高效、安全的運行，這對工業過程的優化和控製提齣瞭更高的要求。模型是現代工業過程先進優化和控製技術的基礎。在工業過程生産裝置中，由於原料特性變化較為頻繁，參與過程實時控製的模型不僅要簡單、準確，而且要具有較好的外推性和自適應性，能夠正確反映過程的機理特性。這涉及過程對象的非綫性、時變性、不確定性、強耦閤和大時滯等內在復雜的機理問題，客觀環境和人為因素。隨著過程工業的大型化、綜閤化和復雜化，上述因素使得建模的難度越來越大。工業過程的建模應當從優化與控製的實際需求齣發，突破傳統的建模方法和辨識算法結構，以較為寬廣的視野綜閤運用人工智能、現代統計理論、控製理論和優化技術等來有效地實現。
　　目前，在非綫性動態建模方麵，一類新穎的塊結構非綫性動態模型是其中的一個研究熱點，它同時結閤瞭動態綫性模型和靜態（無記憶）非綫性函數模型，具有較易辨識、計算量少、能較好地反映過程特徵的特點，適閤作為過程控製模型使用。按其具體連接形式，可分為Hammerstein模型、Wiener模型、Hammerstein-Wiener模型和Wiener-Hammerstein模型。Hammerstein-Wiener模型（簡稱為N-L-N模型）包含Hammerstein模型和Wiener模型結構，比這兩種模型中的任意一種都更接近實際工業過程中的非綫性特性。這種模型能較好地描述工業設備和過程，如精餾塔、熱交換器、連續攪拌反應釜（continuousstirredtankreactor，CSTR）、PTA生産中的漿料配置係統以及具有冪函數、死區、開關等特性的非綫性過程。更為重要的是，可以利用模型的特殊結構把非綫性控製問題簡化為綫性模型預測控製問題，解決瞭傳統非綫性控製方法計算量大、收斂性和穩定性不能得到保證等諸多問題，從而可以直接利用綫性控製係統中的成熟理論，便於現場操作人員理解。因此，塊結構模型是工業過程中最有效的模型之一，也是研究的熱點。
基於組閤式信號源的塊結構模型辨識方法 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

類似圖書 點擊查看全場最低價

查看全網最低價