论文部分内容阅读
在先进控制的设计与实施过程中,必然要对被控系统建立出数学模型。本文对工业系统的建模问题,特别是对非线性系统建模过程中所遇到的辨识数据预处理、辨识方法等问题进行探讨。提出了对标准粒子群优化(PSO)的改进算法,并利用改进后的算法对线性系统、非线性系统进行辨识,得到了较好的辨识效果。实际的测量的时候难免会存在测量噪声以及其他瞬时扰动,如果噪声过大则会对辨识的结果产生严重影响。文中介绍了系统辨识前对数据进行预处理的各种方法,并针对强噪声环境下利用PSO算法进行参数辨识精度差甚至不能收敛的问题,同时提出一种新的改进滑动平均滤波算法。该算法通过对滑动平均后数据相位的动态修正,实现了无滞后的滑动平均滤波。在对运算的时间复杂度和空间复杂度要求较高时,改进滑动平均滤波算法较为实用,并且该算法可调参数少,易于实现。仿真实验表明,对这种改进滑动平均滤波算法应用于PSO辨识数据预处理后,有效地提高了PSO对强噪声系统辨识的精度。针对现有粒子群优化算法在工程应用中,特别是在粒子维数较高的情况下,很容易发生早熟收敛等缺点,提出了一种基于粒子健康度的快速收敛粒子群优化算法,记为HPSO。同时给出了粒子健康度的概念及其计算方法。该算法通过动态监控粒子的健康度指标,对健康度较低的粒子单独进行变异操作。从而可以在保护健康粒子继续搜索最优值的同时,有效“治疗”非健康的早熟粒子,提高了整个粒子群的寻优能力及跳出局部最优值的能力。然后利用大量的多维基准测试函数对该算法进行测试,并将其与标准的粒子群优化算法(SPSO)以及权重递减的粒子群优化算法(WPSO)做对比。测试的结果表明,在粒子维数较高的应用中HPSO算法的收敛速度快,效率高。文中对线性连续系统以及非线性Wiener模型应用基于健康度的快速收敛粒子群优化算法进行了辨识,并对含有强噪声的输入信号经过预处理后进行辨识。测试结果表明,本文提出的算法在有强噪声以及无噪声情况下均能够很好的辨识出系统的参数。