基于組合式信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法
定 價(jià)：68 元
叢書名：智能科學(xué)技術(shù)著作叢書
- 作者：賈立著
- 出版時(shí)間：2016/11/1
- ISBN：9787030503770
- 出 版 社：科學(xué)出版社
- 中圖法分類：N945.12
- 頁碼：171
- 紙張：膠版紙
- 版次：1
- 開本：16K
本書從塊結(jié)構(gòu)模型中間變量不可測量的角度出發(fā)，結(jié)合塊結(jié)構(gòu)模型辨識(shí)的基本過程和特點(diǎn)，分析塊結(jié)構(gòu)模型各串聯(lián)模塊在不同激勵(lì)信號(hào)作用下的特性，研究和設(shè)計(jì)組合式多源激勵(lì)信號(hào)，以解決塊結(jié)構(gòu)模型的可辨識(shí)性問題和各模塊的參數(shù)估計(jì)分離問題。在此基礎(chǔ)上，系統(tǒng)地研究和提出能夠抑制干擾的塊結(jié)構(gòu)復(fù)雜非線性工業(yè)過程辨識(shí)新方法，包括采用集成建模技術(shù)的串聯(lián)模塊建模方法、全新智能分離算法和模塊參數(shù)辨識(shí)算法、利用補(bǔ)償技術(shù)的塊結(jié)構(gòu)非線性動(dòng)態(tài)系統(tǒng)過程噪聲建模方法等，并利用隨機(jī)過程理論分析和比較提出方法的性能。本書緊密結(jié)合復(fù)雜工業(yè)過程控制的需要，解決塊結(jié)構(gòu)模型中的難題，形成一種面向?qū)嶋H工業(yè)生產(chǎn)過程系統(tǒng)化的建模方法。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
長期以來，我國產(chǎn)業(yè)結(jié)構(gòu)不合理，往往設(shè)備已經(jīng)實(shí)現(xiàn)了國產(chǎn)化，而控制系統(tǒng)和優(yōu)化策略仍然采用國外技術(shù)，造成工業(yè)行業(yè)“重設(shè)備、輕優(yōu)化控制”的現(xiàn)象，普遍存在“有殼無腦”的局面。隨著行業(yè)技術(shù)的發(fā)展，先進(jìn)優(yōu)化控制技術(shù)的重要性正逐步體現(xiàn)出來，已成為我國進(jìn)一步實(shí)現(xiàn)節(jié)能增效和推進(jìn)工業(yè)可持續(xù)發(fā)展的突破口�；�、煉油、冶金、輕工、建材和制藥等過程工業(yè)是我國國民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，要想在全球化的大趨勢下始終保持強(qiáng)大的競爭力，必須加強(qiáng)先進(jìn)優(yōu)化和控制技術(shù)的研發(fā)與技術(shù)儲(chǔ)備。
過程工業(yè)是通過物理變化和化學(xué)變化進(jìn)行的生產(chǎn)過程，在新物質(zhì)生成的同時(shí)伴隨有能量的吸收與釋放，是一個(gè)復(fù)雜的大工業(yè)系統(tǒng)，各生產(chǎn)裝置之間存在著復(fù)雜的耦合和制約關(guān)系。各生產(chǎn)過程只有從實(shí)時(shí)性和整體性上全局協(xié)調(diào)，才能保證整個(gè)生產(chǎn)裝置平穩(wěn)、高效、安全的運(yùn)行，這對(duì)工業(yè)過程的優(yōu)化和控制提出了更高的要求。模型是現(xiàn)代工業(yè)過程先進(jìn)優(yōu)化和控制技術(shù)的基礎(chǔ)。在工業(yè)過程生產(chǎn)裝置中，由于原料特性變化較為頻繁，參與過程實(shí)時(shí)控制的模型不僅要簡單、準(zhǔn)確，而且要具有較好的外推性和自適應(yīng)性，能夠正確反映過程的機(jī)理特性。這涉及過程對(duì)象的非線性、時(shí)變性、不確定性、強(qiáng)耦合和大時(shí)滯等內(nèi)在復(fù)雜的機(jī)理問題，客觀環(huán)境和人為因素。隨著過程工業(yè)的大型化、綜合化和復(fù)雜化，上述因素使得建模的難度越來越大。工業(yè)過程的建模應(yīng)當(dāng)從優(yōu)化與控制的實(shí)際需求出發(fā)，突破傳統(tǒng)的建模方法和辨識(shí)算法結(jié)構(gòu)，以較為寬廣的視野綜合運(yùn)用人工智能、現(xiàn)代統(tǒng)計(jì)理論、控制理論和優(yōu)化技術(shù)等來有效地實(shí)現(xiàn)。
目前，在非線性動(dòng)態(tài)建模方面，一類新穎的塊結(jié)構(gòu)非線性動(dòng)態(tài)模型是其中的一個(gè)研究熱點(diǎn)，它同時(shí)結(jié)合了動(dòng)態(tài)線性模型和靜態(tài)（無記憶）非線性函數(shù)模型，具有較易辨識(shí)、計(jì)算量少、能較好地反映過程特征的特點(diǎn)，適合作為過程控制模型使用。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(jié)構(gòu)，比這兩種模型中的任意一種都更接近實(shí)際工業(yè)過程中的非線性特性。這種模型能較好地描述工業(yè)設(shè)備和過程，如精餾塔、熱交換器、連續(xù)攪拌反應(yīng)釜（continuousstirredtankreactor，CSTR）、PTA生產(chǎn)中的漿料配置系統(tǒng)以及具有冪函數(shù)、死區(qū)、開關(guān)等特性的非線性過程。更為重要的是，可以利用模型的特殊結(jié)構(gòu)把非線性控制問題簡化為線性模型預(yù)測控制問題，解決了傳統(tǒng)非線性控制方法計(jì)算量大、收斂性和穩(wěn)定性不能得到保證等諸多問題，從而可以直接利用線性控制系統(tǒng)中的成熟理論，便于現(xiàn)場操作人員理解。因此，塊結(jié)構(gòu)模型是工業(yè)過程中最有效的模型之一，也是研究的熱點(diǎn)。
目錄
《智能科學(xué)技術(shù)著作叢書》序
前言
第一部分 塊結(jié)構(gòu)模型
第1章 塊結(jié)構(gòu)模型概述3
1.1引言3
1.2靜態(tài)非線性環(huán)節(jié)與動(dòng)態(tài)線性環(huán)節(jié)的同步辨識(shí)法4
1.2.1過參數(shù)化法4
1.2.2子空間法6
1.2.3調(diào)制函數(shù)法6
1.2.4直接辨識(shí)法7
1.3靜態(tài)非線性環(huán)節(jié)與動(dòng)態(tài)線性環(huán)節(jié)的分步辨識(shí)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(hào)源法10
1.3.4盲辨識(shí)法11
1.3.5頻域法12
1.3.6隨機(jī)法12
1.4基于Hammerstein模型的控制系統(tǒng)設(shè)計(jì)13
1.5塊結(jié)構(gòu)模型研究中存在的關(guān)鍵問題15
1.6全書概況16
參考文獻(xiàn)18
第二部分 基于二進(jìn)制-隨機(jī)復(fù)合信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法
第2章 基于二進(jìn)制-隨機(jī)復(fù)合信號(hào)源的Hammerstein模型辨識(shí)方法27
2.1基于泰勒級(jí)數(shù)展開法的Hammerstein模型辨識(shí)27
2.1.1基于神經(jīng)模糊的Hammerstein模型27
2.1.2基于神經(jīng)模糊Hammerstein模型的辨識(shí)30
2.1.3實(shí)驗(yàn)結(jié)果32
2.1.4小結(jié)41
2.2基于Lyapunov方法的Hammerstein模型辨識(shí)43
2.2.1神經(jīng)模糊Hammerstein模型43
2.2.2神經(jīng)模糊Hammerstein模型辨識(shí)44
2.2.3實(shí)驗(yàn)結(jié)果47
2.2.4小結(jié)54
參考文獻(xiàn)54
第3章 基于二進(jìn)制-隨機(jī)復(fù)合信號(hào)源的Hammerstein-Wiener模型辨識(shí)方法56
3.1基于二進(jìn)制-隨機(jī)復(fù)合信號(hào)源的Hammerstein-Wiener 模型56
3.1.1神經(jīng)模糊Hammerstein-Wiener模型57
3.1.2神經(jīng)模糊 Hammerstein-Wiener 模型各串聯(lián)環(huán)節(jié)的分離58
3.1.3基于神經(jīng)模糊Hammerstein-Wiener模型的控制系統(tǒng)64
3.1.4實(shí)驗(yàn)結(jié)果64
3.1.5小結(jié)67
3.2基于兩階段復(fù)合信號(hào)的Hammerstein-Wiener模型68
3.2.1基于兩階段復(fù)合信號(hào)的神經(jīng)模糊Hammerstein-Wiener模型68
3.2.2實(shí)驗(yàn)結(jié)果71
3.2.3小結(jié)73
參考文獻(xiàn)74
第4章 含過程噪聲的塊結(jié)構(gòu)模型二進(jìn)制-隨機(jī)復(fù)合信號(hào)源辨識(shí)方法76
4.1基于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基于輔助模型遞推最小二乘法的Hammerstein模型多信號(hào)源辨識(shí)方法77
4.1.3實(shí)驗(yàn)結(jié)果79
4.1.4小結(jié)82
4.2基于偏差補(bǔ)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基于偏差補(bǔ)償遞推最小二乘法的Hammerstein-Wiener模型多信號(hào)源辨識(shí)方法84
4.2.3實(shí)驗(yàn)結(jié)果87
4.2.4小結(jié)90
4.3基于輔助模型多新息隨機(jī)梯度法的Hammerstein模型92
4.3.1基于輔助模型多新息隨機(jī)梯度法的Hammerstein模型多信號(hào)源辨識(shí)方法92
4.3.2實(shí)驗(yàn)結(jié)果95
4.3.3小結(jié)98
參考文獻(xiàn)98
第三部分 基于可分離信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法
第5章 基于可分離信號(hào)源的多輸入多輸出Hammerstein模型辨識(shí)方法101
5.1多輸入多輸出Hammerstein模型101
5.2基于可分離信號(hào)源的多輸入多輸出Hammerstein模型辨識(shí)102
5.2.1基于神經(jīng)模糊的多輸入多輸出Hammerstein模型102
5.2.2基于可分離信號(hào)源的多輸入多輸出Hammerstein模型辨識(shí)103
5.2.3實(shí)驗(yàn)結(jié)果109
5.2.4小結(jié)117
參考文獻(xiàn)117
第6章 含過程噪聲的多輸入多輸出Hammerstein模型可分離信號(hào)源辨識(shí)方法119
6.1含過程噪聲的多輸入多輸出Hammerstein模型辨識(shí)119
6.1.1含過程噪聲的多輸入多輸出Hammerstein模型119
6.1.2含過程噪聲的多輸入多輸出Hammerstein模型辨識(shí)120
6.1.3實(shí)驗(yàn)結(jié)果124
6.1.4小結(jié)135
6.2基于可分離信號(hào)的Hammerstein輸出誤差滑動(dòng)平均系統(tǒng)辨識(shí)136
6.2.1Hammerstein輸出誤差滑動(dòng)平均系統(tǒng)136
6.2.2神經(jīng)模糊Hammerstein輸出誤差滑動(dòng)平均系統(tǒng)辨識(shí)137
6.2.3實(shí)驗(yàn)結(jié)果143
6.2.4小結(jié)146
參考文獻(xiàn)148
第7章 含過程噪聲的Hammerstein-Wiener模型可分離信號(hào)源辨識(shí)方法149
7.1基于可分離信號(hào)的Hammerstein-Wiener模型辨識(shí)方法149
7.1.1神經(jīng)模糊FIR Hammerstein-Wiener模型149
7.1.2神經(jīng)模糊Hammerstein-Wiener模型辨識(shí)方法150
7.1.3基于Hammerstein-Wiener模型的控制系統(tǒng)設(shè)計(jì)154
7.1.4實(shí)驗(yàn)結(jié)果154
7.1.5結(jié)論159
7.2基于遞推廣義增廣最小二乘法的Hammerstein-Wiener模型可分離信號(hào)源辨識(shí)159
7.2.1噪聲干擾下的FIR Hammerstein-Wiener模型159
7.2.2基于遞推廣義增廣最小二乘法的Hammerstein-Wiener辨識(shí)160
7.2.3實(shí)驗(yàn)結(jié)果166
7.2.4小結(jié)170
參考文獻(xiàn)171
書單推薦
