一、基于Wiener模型的混沌系统辨识研究（论文文献综述）
徐珊玲,李俊红,刘梦茹,华亮[1]（2021）在《Wiener系统的混沌引力搜索迭代辨识》文中认为Wiener非线性系统是由动态线性子系统串联非线性静态子系统而成,被广泛应用于自动控制、化工、电气等领域。考虑Wiener输出误差自回归（WienerOutputErrorAutoregressive,Wiener OEAR）系统的辨识问题,提出了一种混沌引力搜索迭代辨识算法,通过在引力搜索算法中引入混沌优化机制来估计Wiener OEAR系统的未知参数,并证明了所提出的算法的收敛性。为证明所提辨识算法的有效性,采用了引力搜索算法和梯度迭代算法对该系统进行辨识。仿真结果表明:3种算法能够有效地对WienerOEAR系统进行辨识,混沌引力搜索迭代辨识算法在参数估计精度方面要优于引力搜索算法和梯度迭代算法。
张相胜[2]（2021）在《微生物代谢产物发酵过程建模研究》文中研究说明微生物发酵过程往往要涉及到各种生物代谢反应及物理过程和化学反应,机理反应和内部的动态变化很难掌握。其生长过程涉及各种因素,属于典型的非线性系统,机理建模需要长期经验积累,考虑多种因素并进行简化处理。建立合理的数学模型是实现微生物发酵过程优化的基础,受到检测条件与水平的限制,发酵过程控制的许多重要过程变量数据通常是离线取样获得,无法在线实时检测及时反应发酵信息,具有较大时间延迟。此类复杂过程建模和优化技术亟需开展进一步的软测量研究。本文对于微生物代谢产物发酵过程模型结构已知但参数未知、结构和参数都未知情况,分别从发酵过程的工艺机理模型、机理数据混合模型和数据驱动模型三个方面开展研究,主要研究内容为:（1）研究了微生物代谢产物发酵过程中培养环境指标和建立动力学模型与提高发酵产品产量及收率的关系。首先借助响应面分析方法获得了谷氨酸发酵过程最佳的培养环境指标;其次分析了微生物发酵过程的动力学特性,给出了发酵过程通用的动力学模型,并用构造性方法估计出了丙酮酸动力学模型参数;最后分析了基于丙酮酸动力学模型发酵过程平衡点的存在性和稳定性,并分析了稳定性条件。（2）针对微生物代谢产物发酵过程的非线性时变特点,研究了具有非线性特性的Hammerstein模型参数辨识方法。首先推导了针对Hammerstein模型的辅助模型随机梯度算法;其次,为加快算法的收敛速度,借助关键项分离方法,基于辅助模型和梯度搜索原理设计了多新息随机梯度的模型参数辨识算法;最后,提出了辅助模型多新息随机梯度参数辨识方法,实现了Hammerstein结构的青霉素发酵过程模型参数的辨识。实验结果表明,在发酵过程模型结构和阶次已知情况下,该算法能够利用发酵过程的输入输出数据,估计发酵过程的参数,由所建立的模型实现对发酵产物浓度的估计。（3）针对很多微生物代谢产物发酵过程的模型结构未知,不易建模的情况,研究了一种基于多尺度小波支持向量机的发酵过程软测量方法。提出了一种多尺度小波核函数的支持向量机,提高了建模精度。实验结果表明,基于多尺度小波核函数支持向量机的软测量方法建立的谷氨酸模型,获得了较高的谷氨酸浓度、溶解氧和残糖浓度估计精度。（4）为了减小代谢产物发酵过程采集数据中异常值和噪声对回归模型的影响,提出了一种特征加权孪生支持向量回归机。首先选择K近邻方法为每个样本设置基于密度的权重,采用Wards链式聚类算法提取样本的特征信息,并将两者融合到特征加权孪生支持向量回归机的目标函数中。为提升特征加权孪生支持向量回归机的预测性能,选择二次多项式核函数和径向基核函数构成的混合核函数,并采用自适应粒子群算法优化支持向量机的模型参数。实验结果表明,基于混合核函数的特征加权孪生支持向量回归机,建立的谷氨酸发酵过程模型对谷氨酸浓度和残糖浓度估计精度较高。
张子豪[3]（2021）在《智能优化算法的改进及在系统辨识中的应用》文中指出智能优化算法由于其较强的寻优搜索能力,成为研究的重点,各界学者提出了多种智能优化算法,用于解决各个领域中的优化问题,如在金融、化工、控制科学、材料工程、电子信息科学技术、航空航天等,智能优化算法都有良好的应用。由于智能优化算法的引入,大大提升学科的研究进展。近年来在控制科学中,智能优化算法在系统辨识领域也取得了一定的成果,在对于解决模块化的非线性系统辨识问题取得了良好的应用。同时随着工艺复杂度的提升和工艺需求的丰富,非均匀采样系统在工业生产中的出现越发频繁,如何解决非均匀采样系统的辨识问题成为研究重点。本文主要研究内容包括:（1）针对灰狼优化算法（Grey Wolf Optimization,GWO）容易陷入局部最优,收敛精度低等问题,引入了 Logistic混沌映射策略初始化种群,使初始种群分布更加均匀;提出等级制度,突出了灰狼优化算法中狼群的等级机制;引入速度向量思想,提高收敛精度及速度;提出了狼群中的淘汰机制,剔除了狼群中的“害群之马”,同时根据狼群社会中的等级制度,让狼群中等级更高的狼拥有繁衍权,提高了算法的精确度,提高了算法的收敛速度。（2）为验证智能优化算法的效果,以18个测试函数测试改进灰狼优化算法的寻优性能,从测试结果中看出,改进算法相较于其他算法,有更强的寻优效果。同时为体现智能优化算法在辨识中的应用,采用改进灰狼优化算法GWOPSO算法,辨识模块化非线性系统Wiener系统参数模型,通过仿真实验结果可以看出,采用GWOPSO算法辨识系统参数相较于其他智能优化算法有更好的辨识效果。（3）针对最小二乘法等传统辨识方法推导复杂,辨识不具有通用性的问题,采用粒子群优化算法辨识非均匀采样的线性系统、Hammerstein系统模型以及噪声干扰下的Hammerstein系统模型,通过提升技术处理非均匀采样系统模型,将其变为最优化问题,经过粒子群优化算法寻优得到最优解,即为待辨识系统估计参数。为验证这一方法,以非均匀采样线性系统模型、Hammerstein模块化非线性系统模型以及噪声干扰下的Hammerstein模块化非线性系统模型作为实验对象,采用粒子群优化算法辨识三个对象的系统模型参数。从实验结果可以看出,智能优化算法在非均匀采样系统模型参数问题辨识中得到了良好应用。（4）提出一种提升粒子群优化算法,改善了粒子群优化算法辨识非均匀采样系统模型参数时的精度低,收敛慢的缺点,以非均匀采样Hammerstein模型作为仿真对象进行仿真实验。通过实验结果可以得出结论,提升粒子群优化算法有效的提升了粒子群优化算法的辨识能力。
周怀芳[4]（2020）在《基于非均匀采样数据驱动的非线性系统的辨识》文中研究指明在实际的工业应用中,广泛的存在着一类系统的输入刷新和输出采样呈现不等时间间隔的非线性系统。针对此类系统辨识问题,传统的辨识方法对此类系统不在适用。为解决非均匀采样数据驱动的非线性系统辨识问题,本文在标准粒子群算法的基础上,提出一种混沌自然选择粒子群算法。将混沌自然选择粒子群算法运用到不同非均匀采样数据驱动的非线性系统中,分别探讨了具有已知基的非均匀采样数据驱动的Hammerstein模型、Wiener模型和Hammerstein-Wiener模型、带有死区特性的非均匀采样数据驱动的Hammerstein模型、Wiener模型的辨识问题以及混沌自然选择粒子群算法在电弧炉电极调节系统中的应用。本文的具体工作如下:（1）针对标准粒子群算法中存在的易陷入局部最优、在收敛后期种群多样性变差等缺点,提出混沌自然选择粒子群算法。通过在初始种群位置的设置中引入混沌序列,提高粒子位置初始覆盖范围,从而增加寻找到最优解的精度;在控制算法中,算法的探索和开发能力对于算法性能也具有重要的作用,通过引入非线性递减惯性权重调节方式和异步变化的学习因子调节方式,从而增加算法开发和探索能力;通过引入自然选择,对粒子种群进行更新,提高算法的种群多样性。通过以上三个方面的改进,提高算法的收敛精度和收敛速度。（2）针对一类具有已知基函数的非均匀采样数据驱动的Hammerstein模型、Wiener模型和Hammerstein-Wiener模型的辨识问题,利用本文提出的混沌自然选择粒子群算法分别对以上三种模型进行辨识。进一步将所提算法推广到具有死区特性的非均匀采样数据驱动的Hammerstein模型和Wiener模型的辨识中并利用仿真实例验证本文算法对于非均匀采样数据驱动的非线性系统辨识的有效性。（3）探讨电弧炉电极调节系统辨识问题。对电弧炉炼钢工艺设备进行介绍,对电弧炉炼钢过程中的核心部分:电弧炉电极调节系统进一步进行研究。首先对电弧炉电极调节系统进行建模,该系统可以表示成一种由死区非线性环节、液压三阶线性环节和电弧非线性环节串联而成的Hammerstein-Wiener型非线性块状结构;然后利用本文提出的混沌自然选择粒子群算法对该系统进行辨识。
崔鸣[5]（2020）在《智能优化算法在非线性系统辨识中的应用研究》文中研究指明近年来,由于智能优化算法具有较强的搜索能力而得到了广泛的应用,现已成为了研究的热点问题。本文将智能优化算法应用于受重尾噪声干扰下的非线性系统辨识研究中,首先对于原始樽海鞘算法（SSA）、灰狼算法（GWO）进行改进。仿真实验结果表明改进后的算法能够有效改善原算法的收敛精度等性能,并将改进后的算法应用于非线性MIMO Hammerstein、Hammerstein-Wiener模型的辨识中。主要研究内容如下:（1）首先介绍了一种新型智能优化算法樽海鞘算法（SSA）。针对樽海鞘算法容易陷入局部最优、收敛精度差等缺陷,本文通过引入Kent混沌映射、自适应位置更新等改进提出了混沌樽海鞘算法（CSSA）,通过测试函数仿真对其性能进行了验证,仿真结果表明CSSA算法性能有了较大提高,能够有效满足辨识的需要。（2）接下来又介绍了一种应用广泛的灰狼优化算法（GWO）。本文通过引入自适应位置更新公式、Levy飞行策略等改进提出了莱维灰狼算法（LGWO）,通过测试函数仿真对其性能进行了验证,仿真结果表明LGWO算法的收敛精度、速度、稳定性方面都有了较大提高,能够满足后续辨识研究要求。（3）将本文提出的CSSA、LGWO算法应用于重尾噪声干扰下的非线性系统辨识研究中。在传统辨识研究中的系统噪声通常设定为白噪声,但实际生产过程环境错综复杂,噪声种类繁多,重尾噪声是工业过程中较为常见的噪声。当系统噪声呈现重尾特性时的系统辨识问题一直无法得到较好解决。因此本文对于重尾噪声干扰下的模块化MIMO Hammerstein、Hammerstein-Wiener的辨识问题进行研究。利用本文提出的CSSA、LGWO算法将辨识问题转化为参数寻优问题,第三章、第四章的仿真结果表明本文提出的优化算法的辨识结果精度更高,偏差更小。
吴伟明[6]（2020）在《基于采样数据的确定学习及应用》文中认为近年来,动态或者非平稳环境机器学习问题成为当前人工智能热点前沿热点。这里的“动态”主要指其环境随时间的动态变化,如工程、生物、医学、经济、天文等领域所涉物理过程天然构成的开放动态环境。然而在开放动态环境中,因传统机器学习的封闭静态假设不再满足,动态学习对当前人工智能发展提出了更大的挑战和更广阔的应用前景。当前动态环境机器学习的一个主要方向是研究对在工程、医学等动态过程中采样获得的时间序列的建模、识别、分类等问题。本文将从系统与控制角度开展动态环境机器学习的研究。本论文工作包括以下四个方面:1)针对非线性动力学系统产生的、具有周期或回归性质的时间序列数据,我们提出一种基于确定学习的时间序列建模与回归新方法。从系统与控制角度,该问题属于非线性系统辨识难题。确定学习方法通过解决持续激励（PE）条件的满足及预先验证,实现了对沿着周期或回归轨迹（连续信号）的非线性系统动态的局部准确神经网络辩识。本文将把该问题扩展到基于时间序列（采样数据）的确定学习。通过Lyapunov设计的权值更新律,产生的学习误差系统形成了具有与连续确定学习对应的离散线性时变（LTV）形式的识别误差系统。然而,上述连续LTV系统在持续激励条件满足时指数稳定的性质由Anderson、Narendra等给出证明,现有文献中并没有针对这类离散线性时变系统的指数稳定性证明结果。针对这一控制理论中的关键科学问题,本文采用离散输入状态稳定小增益理论（discrete ISS-small gain theorem）给出了具体的证明过程。首先,在持续激励条件下采用逆Lyapunov理论构造每一子系统的Lyapunov函数。其次,证明了每个子系统的Lyapunov函数均满足ISS-Lyapunov的性质,即这两个子系统满足输入状态稳定（ISS）。最后,根据上述两个互连的离散子系统的ISS性质,采用离散ISS下的小增益理论证明了整个离散LTV系统满足全局一致渐近稳定性,这对于线性系统即为指数稳定性。上述离散LTV系统的指数稳定性证明,保证了沿时间序列轨迹神经网络权值的指数收敛到真值或最优值,进而实现对时间序列（采样）数据内在非线性动态的局部准确辨识。该方法的提出有效解决了采样数据这类时间序列的回归和建模问题。特别地,这种局部准确的动力学建模结果对后续的基于时间序列的识别、分类等应用研究具有重要的意义。2)针对由非线性动力学系统产生的、具有周期或回归性质的时间序列,研究其识别与分类的问题（上述具有周期或回归性质的时间序列亦可称为动态模式,因而这也是动态模式识别问题）。由于这类时间序列数据表达的动态模式在实际动态过程中广泛存在,而且相比于传统静态模式有本质上的不同,该问题的研究充满挑战且有着广阔的应用前景。本文在基于确定学习的快速动态模式识别的基础上,研究对连续系统采样得到的时间序列数据的快速识别问题。在采样数据框架下,分别提出了对应的时间序列动态模式相似性定义,以及时间序列数据快速识别方法。上述快速识别机制是通过利用动态识别系统误差间接反映动态模式之间的内在动力学的差异程度。为保证准确识别,非相似模式的动力学差异需要满足一个假设条件（沿着轨迹的动力学差异在一定连续的时间区间内超过一定的幅值大小且符号不能改变）。然而,在基于连续信号的动态模式识别中,因无法利用过去的信息计算动态模式之间的动力学差异,难以在实际工程中验证这些条件。也就是说,如果发生了误识别,由于识别条件无法验证,进而难以分析发生误识别的原因。与之相比,在采样数据框架下,可以基于历史采样数据充分对比其动力学差异,验证动态模式识别结果的准确性。因此,这种基于动力学差异的动态模式识别具有良好的可解释性,在工程实际中将发挥重要作用。3)结构稳定性是一个非线性动力学系统领域的重要概念,它提供了对动力学系统及其受扰系统的一种自然动态的分类关系。其原理在于,如果一个结构稳定的系统与其受扰系统具有相似的拓扑结构,则两系统可以看成是同一类的系统。本文基于结构稳定性概念,探索动态模式识别新方法。然而,这个概念在实际中难以应用的原因之一是难以获取动力学的偏导信息。针对这一难题,我们基于确定学习的知识再利用机制近似表达沿着轨迹方向的动力学偏导信息。从而提出了基于结构稳定性的相似性定义,对模式间进行更细化的相似性描述。基于这种新的相似性定义,进一步给出了对应的动态模式识别的实现方法。通过与基于动力学差异的动态模式识别方法进行仿真对比,结果表明在更细化的识别场景下,基于结构稳定性的方法能得到更好的结果。4)最终,针对心肌缺血/心肌梗塞早期检测等重大临床需求问题,开展基于动态环境机器学习的应用研究。本课题组基于由确定学习形成的心电动力学图（CDG）在心肌缺血检测方向上已开展多年研究。心电动力学图是对心电图（ECG）ST-T段的局部准确动力学建模结果的三维可视化展示。它与心脏复极过程的离散度相关,相比传统心电图诊断具有更高的敏感性。本文创新性地提出了心电动力学图的时空离散度量化指标:一方面根据心电信号的物理时频特性提出心电动力学图的时间离散度指标,另一方面从非线性系统的混沌性分析角度提出心电动力学图的空间离散度指标。通过在北京阜外医院、新疆石河子市人民医院开展的心电动力学图检测心肌缺血的临床试验,结果表明该指标能够在心电图大致正常时对心肌缺血患者进行较为准确的检测。
黄家露[7]（2019）在《宽带接收前端的非线性辨识补偿处理与应用》文中研究指明软件无线电（Software Defined Radio,SDR）技术的出现满足了复杂电磁环境下不断增长的无线通信需求。要想发挥SDR后端软件灵活配置的技术优势,接收前端必须是宽带大动态系统,实现全频带范围内信号的全概率接收。然而,宽带接收前端的一些非线性器件（如放大器、滤波器、混频器、模数转换器（Analog to Digital Converter,ADC）等）级联产生的非线性失真分量严重制约了接收系统的无杂散失真动态范围（Spurs-Free-Dynamic-Range,SFDR）,影响频带内微弱信号的接收性能。因此,提高宽带接收前端SFDR是发挥SDR技术优势的一个关键所在。目前,提高接收前端SFDR的主要手段是通过数字后补偿方式减小或消除非线性器件产生的非线性失真。然而研究较为成熟的频域盲辨识补偿方法不仅只适用于窄带接收前端,并且计算复杂度高,不能在线实时补偿。因此,本文提出了两种时域数字后补偿算法用于宽带接收前端线性度的改善,并提出了单通道辨识-多通道同步补偿的方法用于提升多通道阵列接收前端的线性度。另外,提出并通过仿真与实验验证了一种基于主动非线性变换的新型信道加密技术。该物理层信道加密技术利用主动加入的非线性失真对非合作方的信息接收、判决环节制造障碍,增强加密信号的抗截获能力。本论文的主要贡献可归纳为以下四个方面:1、在对单通道宽带射频接收前端的非线性失真机制进行定性、定量分析的基础上,提出了一种旨在消除其非线性失真的基于参数化模型的非线性盲辨识补偿算法。该算法首先采用基于减谱法原理的减谱-时频变换（Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC）方法分别在时域提取接收前端输出信号的大信号成分（大功率基波信号）和小信号成分（主要包含非线性失真信号）;然后以大信号的非线性逆模型（补偿模型）与小信号的残差平方和最小作为系统逆模型参数的辨识准则,并利用改进的加权迭代改善算法实现逆模型参数的自适应提取和更新;最后在线实时地对接收机输出信号进行非线性失真补偿处理。最后,仿真结果和实验结果均表明,该时域非线性盲辨识补偿算法能消除绝大部分的非线性失真分量,能使宽带射频接收前端的SFDR提高15-20 dB,增强了在强干扰存在时对微弱信号接收与检测的能力。2、本文通过数字后补偿的方式来消除阵列接收前端输出信号的非线性失真分量,提高了被非线性失真分量所掩盖的微弱目标信号的信干噪比（Signal-to-Interference-plus-Noise Ratio,SINR）,相当于从根本上减少导致阵列信号参数估计精度过低和不稳定的重要因素。针对多通道阵列接收前端非线性失真的补偿,提出了单通道辨识—多通道同步补偿的盲辨识补偿方法,并对该方法的可行性进行详细数学推导和仿真验证。通过实采均匀圆阵（Uniform Circular Array,UCA）天线阵列信号的试验结果表明:该算法可以使宽带阵列接收前端的各通道SFDR在全频带内均增加5-15 dB,并且提高了微弱目标信号的二维波达方向（Two-Dimensional Direction Of Arrival,2-D DOA）估计精度。3、提出了一种基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的宽带数字射频前端非线性补偿技术。该技术利用LS-SVM超强的拟合能力对非线性逆系统进行辨识与建模,以使整个射频接收前端的输入输出趋于线性映射,从而提升其动态范围。该技术首先要构建合适的训练样本集,然后通过LS-SVM回归算法进行训练学习,得到射频接收前端的LS-SVM逆模型,接着对逆模型的超参数进行优化,并求解逆模型的最优参数。最后以射频接收前端的输出信号为测试样本进行数字域后补偿处理。仿真结果和实验结果均表明,该技术可使接收前端的SFDR提高20 dB左右,增强了在强干扰存在时接收前端对微弱信号接收与检测的能力。4、提出了一种基于主动记忆非线性变换的物理层信道加密技术。区别于信源加密等传统安全通信技术,该技术在加密信息发送前通过非线性模型而主动加入强非线性失真分量,使得非合作方难以截获、恢复、破译原始信息。而合作接收方则根据已知的非线性模型进行逆变换,从而消除主动加入的非线性失真分量,并恢复出加密信息,最后利用解密密钥破译出原始信息。首先详细描述了该信道加密技术的原理与步骤。然后设计了三种非线性模型,并详细地理论推导出它们在强非线性的情况下是可逆的。并基于这三种非线性模型的循环变换,设计了一种增强该信道保密技术抗截获能力的优化机制。最后仿真与实验结果验证了该保密技术的有效性和安全性。
赵文[8]（2019）在《基于信道非线性变换的物理层加密方法与技术》文中提出通信技术的飞速发展极大地改变了人们的日常生活方式,对社会发展产生深远影响。加密技术可保证通信系统的信息安全,保护合法用户的隐私,因此研究安全通信技术具有重要意义。基于密码学的网络层加密技术虽然可保证传输信息的保密性,但非合作方可通过开放的无线信道截获信息,并凭借处理能力不断提升的后端处理系统破解加密信息。相比之下,物理层加密技术可提供更可靠的保密性能,但目前通信系统的安全技术依然会受到诸多因素的制约,如:系统同步性能、加密参数初值敏感性、加密过程引起的系统功率损失以及安全通信距离等。为此,本文提出基于信道非线性变换的物理层加密技术,利用非线性变换改变信道传输特性,可有效降低非合作用户的信号接收质量,提升截获信号的破解难度。同时本文还对上述加密方法的非合作方解密策略进行研究,提出一种基于最优延时搜索的非线性盲辨识补偿算法,通过分析补偿前后加密信号解调效果的改善度,评估加密技术的安全性能。本文主要研究内容和成果包括以下几个方面:（1）针对物理层安全问题,讨论基于信道非线性变换实现物理层加密的基本方法:简述射频通信系统的非理想传输特性所引起的信号失真,分析各类失真的产生机制、系统模型以及模型辨识方法,通过理论分析和仿真实验,明确以信道群延时函数和传递函数非线性变换为核心的两种信道加密思路。此外,本文还对上述两种加密技术的非合作方解密策略进行分析,并针对加密系统的非线性失真和群延时失真级联效应,提出基于最优延时搜索的非线性盲辨识补偿思路。（2）针对物理层安全问题,提出一种群延时函数非线性变换（GDNT:Group Delay function Nonlinear Transformation）加密技术,其核心原理为利用群延时函数设计非线性变换对,使加密前后的信号相关性最小,从而满足完美保密性（PS:Perfect Secrecy）条件。受到严重码间串扰的影响,加密信号解调星座点散乱分布,无法经抽样判决译码为正确信息,且由PS条件知,此时非合作方只能通过随机猜测的方式推测原始信息内容。GDNT以加密前后信号相关性的频域形式为目标函数,以相关性最小为准则推导群延时函数加密参数的非线性方程组,并以傅里叶级数的改进模型表示群延时函数,利用加权非线性最小二乘算法（WNLS:Weighted Nonlinear Least Square algorithm）推导加密参数的迭代公式。经加密实验和非合作方解密实验验证,GDNT具有良好的加密效果和安全性能。（3）针对物理层安全问题,提出一种传递函数非线性变换加密技术,其核心原理为利用记忆非线性变换对（MNT:Memory Nonlinear Transform pair）改变传输信道的幅度、相位传输特性,在原始信号带内生成非线性频谱增生隐藏原始信号,降低其信号干扰比,恶化非合作方的信号接收质量。MNT基于信号三阶互调差频分量的幂级数模型构建非线性变换对,并对加密后信号的发射频谱进行优化,再利用相位滤波引入记忆效应,以振荡波函数和伪随机序列表示群延时,在频域设计相位加密滤波器。最后基于MNT加密系统进行信号加密效果测试和合作方信噪比损失分析,以此评估加密系统性能。（4）针对MNT加密系统研究非合作解密策略,通过分析加密系统的群延时失真和非线性失真的联合效应,提出一种基于最优延时搜索的非线性系统参数盲辨识补偿（GSIC:best Group delay Searching based nonlinear system blind Identification and Compensation）技术作为非合作解密方法。GSIC以强功率信号经非线性行为模型的输出信号与弱功率信号的瞬时功率残差作为目标函数,基于瞬时功率残差最小的辨识准则,推导求解非线性行为模型核系数的线性方程组,并利用加权迭代改善法（WII:Weighted Iterative Improvement algorithm）解决病态线性方程组求解问题,经仿真信号以及接收前端实采信号的非线性补偿实验验证,GSIC对接收系统弱非线性具有显着抑制效果。最后利用GSIC对MNT加密系统进行非合作解密测试,评估GSIC的解密性能,验证MNT系统频谱优化策略以及引入复杂记忆效应的必要性。
宋樱[9]（2019）在《Wiener模型的参数辨识算法研究》文中研究指明Wiener模型是一种模块化非线性模型,由一个动态线性模块和静态非线性模块级联组成。由于其简单的结构、良好的逼近性能被广泛地应用于工业过程控制中,如pH中和过程、蒸馏塔、机械系统和通信系统等。然而,Wiener模型的参数辨识仍存在很多难点,如噪声源的位置,非线性结构辨识等。因此,本文针对含不同噪声的Wiener模型辨识展开研究,具体工作如下:针对结构已知带输出噪声的Wiener模型提出了一种改进的头脑风暴优化算法辨识模型参数。首先在经典头脑风暴优化算法的基础上,增加个体组合方式,并引入动态调整因子,自适应地调整个体搜索最优解范围,提高算法的收敛速度。再利用马尔科夫模型,证明了算法的收敛性。数值仿真和CE8双电驱动系统证实了所提算法的有效性。针对结构未知带过程噪声的Wiener模型采用三次样条逼近贝叶斯复合分位数回归算法。采用高阶ARX模型表示Wiener模型的线性结构,并假设非线性模块可逆,用三次样条函数逼近Wiener模型非线性模块结构。基于贝叶斯原理,通过贝叶斯复合分位数回归算法辨识模型参数。为了减少参数辨识过程中的计算量,采用马尔科夫链蒙特卡洛算法求解参数后验分布期望值（即:待估参数值）。非线性模块和线性模块阶次的确定则分别选用FOE准则和AIC准则,最后通过数值和工业仿真验证算法的有效性。文章针对噪声源位置不同的Wiener模型提出了不同的参数辨识方法,对于噪声位于系统输出端的情形,采用mBSO算法辨识;而对于噪声位于系统内的情形,采用CSA-BCQR算法辨识。仿真实验表明这两种算法在收敛速度和辨识准确性上相较于其他算法都有所改善。
刘兆坤[10]（2019）在《基于数据驱动的光伏发电超短期预测方法研究》文中进行了进一步梳理太阳能光伏发电因其可再生和零污染的特性,被视为传统发电的重要替代形式。光伏发电功率预测技术可以为未来一段时间内的光伏输出提供预测,为电力部门及用户提供数据支持,对保证电力系统的安全稳定运行具有重要意义。本文以光伏发电输出功率历史数据为基础,分析不同天气状态下的光伏发电功率数据规律,提出预测方法,利用实证系统对本文所提方法进行了验证。文章的主要内容如下:一、研究了基于天气的光伏发电数据分类并判断数据的混沌特性。将光伏发电数据分成晴天、多云天、阴雨天三种不同天气类型进行讨论,建立时间序列并进行了重构,分析数据的混沌特性并通过Lyapunov指数进行了验证。二、建立了基于最大Lyapunov指数法的光伏发电功率超短期预测模型。对不同天气类型下的光伏发电功率进行了超短期预测,并结合实际光伏发电数据对该预测方法进行了验证。三、考虑到多云天云层变化剧烈的情况,本文提出了基于Hammerstein-Wiener模型和NAR神经网络结合的多云天光伏发电功率超短期预测方法。采用工业相机拍摄天空,在照片亮度与光伏发电功率之间建立模型,采用非线性自回归的方法对辨识模型进行超短期预测,结合实际光伏发电数据对预测结果进行了验证。与现有的光伏发电功率预测方法相比,本文结合天气预报提供的气象信息,对光伏发电数据采用欧式距离进行分类的方法更具科学依据。在不同天气类型下建立的光伏发电功率时间序列,经过相空间重构之后体现出了数据似稳非稳、以乱非乱的混沌特性,并用通过了 Lyapunov指数的验证。采用最大Lyapunov指数法对光伏发电功率进行的预测和采用HW-NAR模型对多云天进行的超短期预测,预测结果与实际发电功率相比,均达到了较高的预测精度,对光伏发电系统的运行具有很好的指导作用。
二、基于Wiener模型的混沌系统辨识研究（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、基于Wiener模型的混沌系统辨识研究（论文提纲范文）
（2）微生物代谢产物发酵过程建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题提出和研究意义 |
| 1.2 微生物代谢产物发酵过程建模研究概况 |
| 1.2.1 发酵过程工艺机理建模的现状 |
| 1.2.2 发酵过程混合模型辨识的现状 |
| 1.2.3 发酵过程基于数据驱动的软测量 |
| 1.3 微生物代谢产物发酵过程模型类别 |
| 1.3.1 发酵过程模型的分类 |
| 1.3.2 微生物发酵过程建模一般步骤 |
| 1.4 论文研究内容 |
| 第二章 代谢产物发酵过程动力学模型及稳定性分析 |
| 2.1 引言 |
| 2.2 发酵培养条件分析 |
| 2.2.1 微生物营养要素 |
| 2.2.2 微生物培养环境条件 |
| 2.2.3 培养环境优化技术 |
| 2.3 微生物发酵过程培养基及其优化 |
| 2.3.1 培养基的基本构成 |
| 2.3.2 培养基条件的优化 |
| 2.4 微生物发酵过程物料平衡分析 |
| 2.4.1 基本公式 |
| 2.4.2 微生物发酵过程生长和底物消耗动力学模型 |
| 2.4.3 微生物发酵过程比生长速率分析 |
| 2.5 发酵过程通用动力学模型 |
| 2.5.1 微生物生长、维持、死亡状态空间模型 |
| 2.5.2 丙酮酸发酵过程动力学模型 |
| 2.6 丙酮酸发酵过程模型稳定性分析 |
| 2.6.1 丙酮酸发酵过程动力学方程的平衡点 |
| 2.6.2 丙酮酸发酵动力学方程平衡点的稳定性 |
| 2.7 本章小结 |
| 第三章 基于Hammerstein模型的发酵过程参数辨识 |
| 3.1 引言 |
| 3.2 Hammerstein非线性输出误差模型描述 |
| 3.3 非线性输出误差模型参数辨识的梯度迭代算法 |
| 3.3.1 算法推导 |
| 3.3.2 仿真实验 |
| 3.4 辅助模型多新息随机梯度算法 |
| 3.4.1 辅助模型多新息随机梯度算法推导 |
| 3.4.2 仿真实验 |
| 3.5 青霉素发酵过程参数辨识 |
| 3.5.1 发酵过程的多模型结构 |
| 3.5.2 仿真实验 |
| 3.5.3 青霉素发酵工艺 |
| 3.5.4 青霉素发酵过程参数辨识 |
| 3.6 本章小结 |
| 第四章 基于多尺度小波支持向量机的发酵过程软测量研究 |
| 4.1 引言 |
| 4.2 小波核函数的基本原理 |
| 4.2.1 希尔伯特空间和小波框架 |
| 4.2.2 基于框架的核函数 |
| 4.2.3 小波函数分析 |
| 4.3 多尺度小波核函数 |
| 4.3.1 多分辨分析 |
| 4.3.2 小波函数和小波空间分析 |
| 4.4 多尺度小波核函数支持向量机 |
| 4.4.1 支持向量机 |
| 4.4.2 多尺度小波核函数的支持向量机 |
| 4.4.3 仿真实验及应用 |
| 4.5 小波支持向量机在谷氨酸软测量中的应用 |
| 4.5.1 谷氨酸工艺过程概述 |
| 4.5.2 实验材料与方法 |
| 4.5.3 训练数据的预处理 |
| 4.5.4 支持向量回归机的软测量建模 |
| 4.5.5 多尺度小波核函数的支持向量回归机软测量建模 |
| 4.6 本章小结 |
| 第五章 基于孪生支持向量机的发酵过程软测量研究 |
| 5.1 引言 |
| 5.2 特征加权孪生支持向量回归机 |
| 5.2.1 孪生支持向量回归机 |
| 5.2.2 位置特征和结构特征 |
| 5.2.3 特征加权孪生支持向量回归机 |
| 5.2.4 连续超松弛方法 |
| 5.3 谷氨酸发酵参数选择 |
| 5.3.1 数据的来源 |
| 5.3.2 输入输出变量的确定 |
| 5.4 谷氨酸发酵过程软测量建模 |
| 5.4.1 混合核函数 |
| 5.4.2 特征孪生支持向量回归机参数的自适应粒子群寻优 |
| 5.4.3 混合核函数的孪生支持向量机参数优化 |
| 5.4.4 特征加权孪生支持向量机的发酵过程建模 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间发表的论文及其他成果 |
（3）智能优化算法的改进及在系统辨识中的应用（论文提纲范文）
| 学位论夺数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 课题相关领域研究现状 |
| 1.2.1 智能优化算法的研究现状 |
| 1.2.2 系统辨识的研究现状 |
| 1.2.3 非均匀数据采样系统参数辨识研究现状 |
| 1.3 本文主要工作 |
| 第二章 系统辨识及智能优化算法基础 |
| 2.1 引言 |
| 2.2 非线性系统模型 |
| 2.3 非线性系统辨识方法 |
| 2.3.1 智能优化算法对于Hammerstein模型的参数辨识 |
| 2.4 非均匀采样系统及其辨识方法 |
| 2.4.1 非均匀采样方案 |
| 2.4.2 非均匀采样系统模型 |
| 第三章 基于淘汰机制的GWO PSO算法 |
| 3.1 引言 |
| 3.2 灰狼优化算法 |
| 3.2.1 灰狼优化算法的生物学基础 |
| 3.2.2 灰狼优化算法的基本原理 |
| 3.3 粒子群优化算法 |
| 3.3.1 粒子群优化算法基本原理 |
| 3.3.2 粒子群优化算法数学模型 |
| 3.4 GWO_PSO算法 |
| 3.4.1 灰狼优化算法的改进策略 |
| 3.4.2 GWO_PSO智能优化算法流程 |
| 3.4.3 函数优化实验及结果分析 |
| 3.4.4 改进策略有效性分析 |
| 3.4.5 与其他改进灰狼优化算法的比较 |
| 3.5 GWO_PSO辨识Wiener系统模型 |
| 3.5.1 Wiener模型系统辨识优化问题化 |
| 3.5.2 GWO_PSO辨识Wiener模型步骤 |
| 3.5.3 系统辨识仿真实例 |
| 3.6 总结 |
| 第四章 粒子群优化算法在非均匀采样系统辨识中的应用 |
| 4.1 引言 |
| 4.2 非均匀采样系统 |
| 4.2.1 提升技术 |
| 4.2.2 非均匀采样Hammerstein系统提升模型 |
| 4.3 智能优化算法辨识非均匀采样系统模型参数 |
| 4.3.1 粒子群优化算法辨识非均匀采样Hammerstein模型 |
| 4.3.2 智能优化算法辨识仿真实例 |
| 4.4 提升优化粒子群算法辨识非均匀采样系统模型参数 |
| 4.4.1 提升粒子群优化算法 |
| 4.4.2 提升粒子群优化算法辨识非均匀采样Hammerstein模型参数 |
| 4.5 总结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 答辩委员会决议书 |
（4）基于非均匀采样数据驱动的非线性系统的辨识（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 非线性系统辨识研究现状 |
| 1.3 多采样率系统辨识研究现状 |
| 1.4 主要研究内容简介 |
| 第2章 基于混沌自然选择粒子群算法非线性系统辨识 |
| 2.1 标准粒子群算法描述 |
| 2.2 引言 |
| 2.3 C-Sel-PSO算法描述 |
| 2.3.1 C-Sel-PSO算法基本原理 |
| 2.3.2 C-Sel-PSO算法在测试函数中的仿真实验 |
| 2.4 小结 |
| 第3章 具有已知基的非均匀采样数据非线性系统辨识 |
| 3.1 引言 |
| 3.2 模型描述 |
| 3.3 C-Sel-PSO算法的非均匀采样系统辨识 |
| 3.4 仿真结果与分析 |
| 3.4.1 一类非均匀采样数据H非线性系统 |
| 3.4.2 一类非均匀采样数据W非线性系统 |
| 3.4.3 一类非均匀采样数据H-W非线性系统 |
| 3.5 小结 |
| 第4章 带死区特性的非均匀采样数据非线性系统辨识 |
| 4.1 引言 |
| 4.2 模型描述 |
| 4.3 带有死区特性的非均匀采样系统C-Sel-PSO辨识算法 |
| 4.4 仿真结果与分析 |
| 4.4.1 一类带死区特性的非均匀采样数据H非线性系统 |
| 4.4.2 一类带死区特性的非均匀采样数据W非线性系统 |
| 4.5 小结 |
| 第5章 电弧炉电极调节系统建模和辨识 |
| 5.1 引言 |
| 5.2 电弧炉炼钢工艺设备简介 |
| 5.2.1 电弧炉炼钢基本原理 |
| 5.2.2 电弧炉炼钢工艺 |
| 5.2.3 电弧炉炼钢设备 |
| 5.3 电弧炉电极调节系统建模 |
| 5.4 电弧炉电极调节系统辨识 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（5）智能优化算法在非线性系统辨识中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 课题相关领域研究现状 |
| 1.2.1 智能优化算法研究现状 |
| 1.2.2 系统辨识研究现状 |
| 1.2.3 重尾噪声下辨识研究现状 |
| 1.3 本文主要工作 |
| 第二章 非线性模型结构与辨识基础 |
| 2.1 引言 |
| 2.2 非线性模型简介 |
| 2.2.1 Hammerstein模型 |
| 2.2.2 Wiener模型 |
| 2.2.3 Hammerstein-Wiener、Wiener-Hammerstein模型 |
| 2.2.4 常见非线性特性 |
| 2.3 常见非线性系统辨识方法 |
| 2.4 常见重尾噪声 |
| 2.5 本文相关优化算法研究现状 |
| 2.5.1 樽海鞘算法研究现状 |
| 2.5.2 灰狼优化算法研究现状 |
| 2.6 小结 |
| 第三章 基于改进樽海鞘算法的重尾噪声下MIMO Hammerstein系统辨识研究 |
| 3.1 引言 |
| 3.2 樽海鞘算法 |
| 3.2.1 樽海鞘算法的生物起源 |
| 3.2.2 樽海鞘算法流程 |
| 3.3 混沌樽海鞘算法 |
| 3.4 混沌樽海鞘算法性能验证 |
| 3.4.1 测试函数性能对比 |
| 3.4.2 算法运算时间分析 |
| 3.4.3 算法鲁棒性分析 |
| 3.4.4 算法的参数敏感性分析 |
| 3.5 重尾噪声下的MIMO Hammerstein系统辨识研究 |
| 3.5.1 MIMO Hammerstein系统建模 |
| 3.5.2 CSSA算法辨识步骤 |
| 3.5.3 系统辨识仿真实例 |
| 3.6 小结 |
| 第四章 基于改进灰狼算法的重尾噪声下MIMO Hammerstein-Wiener系统辨识研究 |
| 4.1 引言 |
| 4.2 灰狼优化算法 |
| 4.2.1 灰狼优化算法的生物起源 |
| 4.2.2 灰狼优化算法流程 |
| 4.3 莱维灰狼优化算法 |
| 4.4 莱维灰狼算法性能验证 |
| 4.4.1 最优Limit值研究 |
| 4.4.2 测试函数性能对比 |
| 4.4.3 算法鲁棒性分析 |
| 4.5 重尾噪声下的MIMO H-W系统辨识研究 |
| 4.5.1 MIMO H-W系统建模 |
| 4.5.2 LGWO算法辨识步骤 |
| 4.5.3 系统辨识仿真实例 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（6）基于采样数据的确定学习及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容及结构安排 |
| 第二章 预备知识 |
| 2.1 引言 |
| 2.2 确定学习机制 |
| 2.3 动态模式识别 |
| 2.4 早期的采样确定学习工作 |
| 2.5 离散系统稳定性 |
| 2.6 本章小结 |
| 第三章 针对采样数据的确定学习 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于Lyapunov设计的采样确定学习算法 |
| 3.4 误差系统的稳定性分析 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 3.7 附录A |
| 3.8 附录B |
| 第四章 针对采样数据的动态模式识别 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于采样数据的动态模式的建模和相似性 |
| 4.4 基于采样数据的动态模式识别与性能分析 |
| 4.5 仿真实验 |
| 4.5.1 数据说明与动力学辨识 |
| 4.5.2 识别场景1 |
| 4.5.3 识别场景2 |
| 4.6 本章小结 |
| 4.7 附录A |
| 第五章 基于结构稳定性的针对采样数据的动态模式识别 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 结构稳定性 |
| 5.4 相似性定义与表达 |
| 5.5 基于结构稳定性的动态模式识别方案与性能分析 |
| 5.6 仿真实验 |
| 5.6.1 动力学偏导的建模验证 |
| 5.6.2 基于结构稳定性的动态模式识别 |
| 5.7 本章小结 |
| 5.8 附录A |
| 第六章 基于采样确定学习的心电动力学图建模与量化 |
| 6.1 引言 |
| 6.2 基于心电图采样数据信号的动力学建模 |
| 6.3 基于心电动力学图的量化指标 |
| 6.4 临床试验验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 插图 |
| 表格 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）宽带接收前端的非线性辨识补偿处理与应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 线性化技术的国内外研究现状 |
| 1.3 机器学习在非线性系统辨识的国内外研究现状 |
| 1.4 物理层安全通信的国内外研究现状 |
| 1.5 本文研究结构 |
| 2 基于参数化模型的宽带接收前端非线性补偿技术 |
| 2.1 接收前端的非线性失真分析 |
| 2.2 记忆非线性模型 |
| 2.3 非线性盲辨识补偿算法原理 |
| 2.4 频域非线性盲辨识补偿算法 |
| 2.5 时域非线性盲辨识补偿算法 |
| 2.6 仿真与实验验证 |
| 2.7 本章小结 |
| 3 多通道阵列接收前端非线性补偿技术 |
| 3.1 引言 |
| 3.2 基于非线性补偿的阵列信号处理系统 |
| 3.3 阵列系统的非线性补偿算法 |
| 3.4 实验验证 |
| 3.5 本章小结 |
| 4 基于LS-SVM的宽带接收前端非线性补偿技术 |
| 4.1 LS-SVM |
| 4.2 基于LS-SVM的宽带接收前端非线性补偿算法 |
| 4.3 仿真与实验验证 |
| 4.4 本章小结 |
| 5 基于主动非线性变换的物理层加密技术 |
| 5.1 基于主动非线性变换的物理层加密算法 |
| 5.2 加密算法的安全性分析 |
| 5.3 增强算法安全性的优化设计 |
| 5.4 仿真与实验验证 |
| 5.5 本章小结 |
| 6 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读学位期间发表论文与专利目录 |
| 附录2 英文缩写及释义 |
（8）基于信道非线性变换的物理层加密方法与技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和创新点 |
| 1.4 本文研究内容的结构安排 |
| 2 信道非线性变换加密的基本方法 |
| 2.1 通信系统的非理想传输特性 |
| 2.2 基于非理想传输特性的安全通信机制 |
| 2.3 非合作方解密策略 |
| 2.4 本章小结 |
| 3 群延时函数非线性变换加密技术 |
| 3.1 群延时函数非线性变换加密原理 |
| 3.2 群延时函数非线性变换加密方法 |
| 3.3 实验与结果分析 |
| 3.4 本章小结 |
| 4 传递函数非线性变换加密技术 |
| 4.1 信道传输特性非线性变换对 |
| 4.2 幅度非线性变换对 |
| 4.3 相位非线性变换对 |
| 4.4 传递函数非线性变换加密系统 |
| 4.5 实验与结果分析 |
| 4.6 本章小结 |
| 5 基于非线性盲辨识补偿的非合作方解密技术 |
| 5.1 非线性变换加密系统模型分析 |
| 5.2 基于最优延时搜索的非线性盲辨识补偿算法 |
| 5.3 实验与结果分析 |
| 5.4 本章小结 |
| 6 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 英文缩写注释表 |
| 附录 攻读学位期间发表论文目录 |
（9）Wiener模型的参数辨识算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 系统辨识 |
| 1.1.1 系统辨识概念及步骤 |
| 1.1.2 系统辨识方法 |
| 1.2 国内外研究现状 |
| 1.3 Wiener模型辨识存在问题 |
| 1.4 课题组研究基础 |
| 1.5 本文内容安排 |
| 第2章 结构已知含输出噪声的Wiener模型参数辨识 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 头脑风暴优化算法 |
| 2.3.1 经典头脑风暴优化算法(BSO) |
| 2.3.2 改进的头脑风暴优化算法(m BSO) |
| 2.3.3 马尔科夫模型 |
| 2.3.4 算法收敛性分析 |
| 2.4 基于mBSO算法的Wiener模型辨识 |
| 2.4.1 基准测试函数 |
| 2.4.2 二阶Wiener模型辨识 |
| 2.4.3 CE8双电驱动系统模型 |
| 2.5 本章小结 |
| 第3章 结构未知含过程噪声的Wiener模型参数辨识 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于贝叶斯复合分位数回归算法的Wiener模型辨识 |
| 3.3.1 贝叶斯估计原理 |
| 3.3.2 分位数回归算法 |
| 3.3.3 Wiener模型的贝叶斯复合分位数回归估计 |
| 3.4 Wiener模型结构阶次的确定 |
| 3.4.1 非线性模块反函数的阶次选择 |
| 3.4.2 线性模块阶次的选择 |
| 3.5 CSA-BCQR算法辨识Wiener模型 |
| 3.5.1 数值仿真 |
| 3.5.2 实例仿真 |
| 3.6 本章小结 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 附录:攻读硕士学位期间的主要学术成果 |
（10）基于数据驱动的光伏发电超短期预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 光伏发电技术的发展和研究现状 |
| 1.2.1 国内外光伏技术的发展 |
| 1.2.2 光伏发电预测技术分类 |
| 1.2.3 常见的光伏发电预测方法 |
| 1.3 本文研究内容与组织结构 |
| 第2章 光伏发电技术及其影响因素分析 |
| 2.1 太阳能发电系统 |
| 2.2 光伏电池的工作原理及输出特性 |
| 2.3 光伏发电影响因素分析 |
| 2.3.1 太阳辐射对光伏发电功率的影响 |
| 2.3.2 温度对光伏发电功率的影响 |
| 2.4 本章小结 |
| 第3章 光伏发电的混沌特性 |
| 3.1 基于天气类型的光伏发电数据分类 |
| 3.1.1 天气类型 |
| 3.1.2 欧式距离和K-means聚类 |
| 3.2 混沌理论和相空间 |
| 3.2.1 混沌理论 |
| 3.2.2 相空间 |
| 3.2.3 Lyapunov指数判断混沌特性 |
| 3.3 基于天气分类的光伏发电数据混沌特性分析 |
| 3.3.1 光伏发电功率的数据采集 |
| 3.3.2 数据分类 |
| 3.3.3 混沌特性分析 |
| 3.4 本章小结 |
| 第4章 基于最大LYAPUNOV指数法的光伏发电超短期预测 |
| 4.1 最大Lyapunov指数法 |
| 4.1.1 预测原理 |
| 4.1.2 预测步骤 |
| 4.2 预测评价指标 |
| 4.3 算例分析 |
| 4.3.1 三种天气类型下的预测 |
| 4.3.2 预测结果比较 |
| 4.4 本章小结 |
| 第5章 基于HW-NAR模型多云天光伏发电功率超短期预测 |
| 5.1 光伏系统发电功率HW模型 |
| 5.1.1 照片亮度百分比计算 |
| 5.1.2 光伏发电功率HW模型 |
| 5.1.3 拟合度验证 |
| 5.2 基于NAR神经网络模型的光伏发电预测 |
| 5.2.1 NAR神经网络模型 |
| 5.2.2 误差指标 |
| 5.3 算例分析 |
| 5.3.1 数据采集 |
| 5.3.2 不同天气状态下的辨识与预测 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、基于Wiener模型的混沌系统辨识研究（论文参考文献）
- [1]Wiener系统的混沌引力搜索迭代辨识[J]. 徐珊玲,李俊红,刘梦茹,华亮. 系统仿真学报, 2021(09)
- [2]微生物代谢产物发酵过程建模研究[D]. 张相胜. 江南大学, 2021
- [3]智能优化算法的改进及在系统辨识中的应用[D]. 张子豪. 北京化工大学, 2021
- [4]基于非均匀采样数据驱动的非线性系统的辨识[D]. 周怀芳. 新疆大学, 2020(07)
- [5]智能优化算法在非线性系统辨识中的应用研究[D]. 崔鸣. 北京化工大学, 2020(02)
- [6]基于采样数据的确定学习及应用[D]. 吴伟明. 华南理工大学, 2020
- [7]宽带接收前端的非线性辨识补偿处理与应用[D]. 黄家露. 华中科技大学, 2019(01)
- [8]基于信道非线性变换的物理层加密方法与技术[D]. 赵文. 华中科技大学, 2019(03)
- [9]Wiener模型的参数辨识算法研究[D]. 宋樱. 江苏大学, 2019(10)
- [10]基于数据驱动的光伏发电超短期预测方法研究[D]. 刘兆坤. 杭州电子科技大学, 2019(01)