×
马，梁;刘兴高

用于非线性Hammerstein系统辨识的一种新的APSO辅助加权LSSVM方法。 （英语） Zbl 1378.93152号

J.富兰克林研究所。 354，编号4，1892-1906（2017）.
综述：由于Hammerstein非线性模型能够描述多种非线性系统，因此其辨识受到了广泛关注。针对Hammerstein系统，提出了一种基于智能最优加权最小二乘支持向量机（WLSSVM）的新型辨识方法，其中应用了一种新的自适应粒子群优化算法（APSO），该算法利用进化状态估计技术和变异算子。该方法不仅能快速收敛到全局最优解，而且具有良好的辨识效果。对所提出的方法、WLSSVM、LSSVM和RIV方法进行了详细的比较研究。研究结果表明了所提出的APSO-WLSSVM方法的有效性。

引用于5文件

MSC公司：

第93页第24页 随机控制系统的最小二乘法及其相关方法
93E20型 最优随机控制
93立方厘米10 控制理论中的非线性系统

关键词：

APSOWLSVM公司;哈默斯坦体系;支持向量机;RLS公司;参数估计;自适应粒子群优化算法;进化状态估计
PDF格式BibTeX公司 XML格式引用
\textit{L.Ma}和textit{X.Liu}，J.Franklin Inst.354，No.4，1892--1906（2017；Zbl 1378.93152）
全文： 内政部

参考文献：

[1] Wang，F。；Xing，K.Y。；Xu，X.P.，分段Hammerstein系统的参数估计，F.Wang，K.Y.Xing，X.P.Xu，分段Harmerstein模型的参数估计。仪器测量。控制，361024-1032（2014）
[2] 杨，J。；吴，M。；He，Y.，电力系统非线性动态负荷模型参数估计的连续时间辨识方法，Int.J.Innov。计算。信息控制，86787-6798（2012）
[3] 罗林斯，D.K。；班达里，N。；Bassily，A.M。；Colver，G.M。；Chin，S.T.，《Hammerstein过程的连续非线性动态预测建模方法》，工业工程化学。研究，42，860-872（2003）
[4] Lakshminarayanan，S。；Shah，S.L。；Nandakumar，K.，使用多元统计工具识别Hammerstein模型，化学。工程科学。，50, 3599-3613 (1995)
[5] 丁，公元前。；Ping，X.B.，以Hammerstein-Wiener模型为代表的非线性系统的动态输出反馈模型预测控制，《过程控制》，22，1773-1784（2012）
[6] Kopeikin，A.N。；Ponda，S.S。；约翰逊，L.B。；How，J.P.，多无人飞机团队通信控制的动态任务规划，无人系统。，1, 41-58 (2013)
[7] Jeraj，J。；Mathews，V.J.，采用输入信号部分正交化的稳定自适应Hammerstein滤波器，IEEE Trans。信号处理。，54, 1412-1420 (2006) ·Zbl 1373.94622号
[8] Elmoaquet，H。；蒂尔伯里，医学博士。；Ramachandran，S.K.，《生理时间序列中临界水平的多步预测》，IEEE Trans。赛博。，46, 1704-1714 (2016)
[9] Lee，K.L。；Billings，S.A.，计算非线性模型多步预测的一种新的直接方法，国际期刊控制，76810-822（2003）·Zbl 1047.93046号
[10] Li，J.H。；丁·F。；Hua，L.，Hammerstein CARAR系统的最大似然牛顿递推和牛顿迭代估计算法，非线性动力学。，75, 235-245 (2014) ·Zbl 1281.93099号
[11] Shi，Y。；Fang，H.，基于卡尔曼滤波器的网络环境下随机缺失测量系统识别，国际期刊控制，83，538-551（2010）·Zbl 1222.93228号
[12] MacArthur，J.W.，《使用正交基和序数样条识别非线性过程的新方法》，《过程控制》，22，375-389（2012）
[13] 王义杰。；Ding，F.，使用辅助模型的多输入多输出系统基于新型数据滤波的参数识别，Automatica，71，308-313（2016）·Zbl 1343.93087号
[14] 刘晓刚。；Chen，L。；胡玉强，用同步策略求解化学动力学优化，中国。化学杂志。工程，21，55-63（2013）
[15] Michalkiewicz，J.，修正的kolmogorov神经网络在识别Hammerstein和Wiener系统中的应用，IEEE Trans。神经网络。学习。系统。，23, 657-662 (2012)
[16] 塞隆，V。；Piga，D。；Regruto，D.，通过稀疏多项式优化识别Hammerstein系统的有界误差，Automatica，482693-2698（2012）·Zbl 1271.93161号
[17] 李国强。；Wen，C.Y.，Hammerstein系统归一化迭代辨识的收敛性，系统。控制信函。，60, 919-935 (2011) ·Zbl 1229.93038号
[18] Schoukens，M。；Pintelon，R。；Rolain，Y.，并行Hammerstein系统的参数识别，IEEE Trans。仪器。测量。，60, 3931-3938 (2011)
[19] Sun，J.L。；Liu，X.G.，Hammerstein系统的一种新的APSO辅助最大似然识别方法，非线性动力学。，73, 449-462 (2013) ·Zbl 1281.93035号
[20] 韩，Y。；Raymond，A.，使用核范数最小化进行Hammerstein系统识别，Automatica，48，2189-2193（2012）·Zbl 1258.93049号
[21] 马，L。；Liu，X.G.，Hammerstein ARMAX系统的一种非线性递归工具变量识别方法，非线性动力学。，79, 1601-1613 (2015) ·Zbl 1345.93069号
[22] 丁·F。；Chen，T.W.，Hammerstein非线性ARMAX系统的识别，Automatica，411479-1489（2005）·Zbl 1086.93063号
[23] 丁·F。；Shi，Y。；Chen，T.W.，基于辅助模型的Hammerstein输出误差系统最小二乘辨识方法，系统。控制信函。，56, 373-380 (2007) ·Zbl 1130.93055号
[24] Xiang，W。；陈振华，基于Hammerstein模型的非线性系统辨识新方法，控制理论应用。，24, 143-147 (2007)
[25] 格雷布利基，W。；Pawlak，M.，《非参数系统识别》（2008），剑桥大学出版社：剑桥大学出版社，英国剑桥·Zbl 1172.93001号
[26] 哈西维茨，Z。；Mzyk，G.，《利用非参数工具变量识别Hammerstein系统》，《国际期刊控制》，第82期，第440-455页（2009年）·Zbl 1168.93412号
[27] 刘，Y。；Bai，E.W.，Hammerstein系统的迭代识别，Automatica，43，346-354（2007）·Zbl 1111.93013号
[28] 刘晓刚。；Lu，J.，一类多速率系统的基于最小二乘的迭代辨识，Automatica，46，549-554（2010）·Zbl 1194.93079号
[29] 沈（音）。；丁，F.，基于键项分离原理的Hammerstein控制自回归滑动平均系统的迭代估计方法，非线性动力学。，75, 709-716 (2014) ·兹比尔1283.93299
[30] 丁，J。；Shi，Y。；Wang，H。；Ding，F.，一种改进的基于随机梯度的双速率采样数据系统参数估计算法，Digit。信号处理。，20, 1238-1247 (2010)
[31] 王德庆。；Ding，F.，Hammerstein-Wiener ARMAX系统的扩展随机梯度识别算法，计算。数学。申请。，56, 3157-3164 (2008) ·Zbl 1165.65308号
[32] 李，G.Q。；Wen，C.Y。；郑伟新。；Chen，Y.，基于核机器的一类具有外部输入模型的非线性自回归模型的识别，IEEE Trans。信号处理。，58, 2146-2158 (2011) ·Zbl 1391.93272号
[33] 黄，B。；丁，S.X。；Qin，S.J.，闭环子空间识别：正交投影方法，过程控制，15，53-66（2005）
[34] Bai，E.W。；Fu，M.Y.，Hammerstein模型辨识的盲方法，IEEE Trans。信号处理。，50, 1610-1619 (2002)
[35] 余春平。；张，C.S。；谢丽华。；新确定性，A.，Hammerstein系统的识别方法，IEEE Trans。信号处理。，62, 131-140 (2014) ·Zbl 1394.94672号
[36] 赵伟新。；Chen，H.F.，Hammerstein系统的自适应跟踪和递归识别，Automatica，452773-2783（2009）·Zbl 1192.93124号
[37] 马，L。；Liu，X.，辨识Hammerstein ARMAX系统的递归最大似然方法，应用。数学。型号。，40, 6523-6535 (2016) ·Zbl 1465.93222号
[38] Li，X.L。；周，L.C。；Sheng，J。；丁瑞芳，递推最小二乘参数估计算法，非线性动力学。，76, 1327-1334 (2014) ·Zbl 1306.93022号
[39] M.I.Goethals。；Pelckmans，K。；苏肯斯，J.A.K。；De Moor，B.，使用最小二乘支持向量机对Hammerstein系统进行子空间识别，IEEE Trans。自动化。对照，501509-1119（2005）·Zbl 1365.93522号
[40] Verhaegen，M。；Westwick，D.，《在子空间模型识别方法的背景下识别MIMO-Hammerstein系统》，《国际控制杂志》，63，331-349（1996）·Zbl 0848.93014号
[41] Vapnik，V.，《统计学习理论的本质》（1995），施普林格出版社：美国纽约施普林格·Zbl 0833.62008号
[42] 戈塔尔斯，I。；佩克曼，K。；苏肯斯，J.A.K。；De Moor，B.，使用最小二乘支持向量机识别MIMO Hammerstein模型，Automatica，411263-1272（2005）·Zbl 1086.93064号
[43] Töterman，S。；Toivonen，H.T.，维纳模型识别的支持向量法，《过程控制杂志》，第19期，第1174-1181页（2009年）
[44] 马丁内斯·拉蒙，M。；罗霍-阿尔瓦雷斯，J.L。；Camps-Valls，G。；穆尼奥斯·马里，J。；阿拉巴马州纳维亚·瓦兹奎斯。；Soria-Olivas，E。；Figueiras-Vidal，A.R.，非线性内核ARMA系统识别的支持向量机，IEEE Trans。神经网络。，17, 1617-1622 (2006)
[45] Bai，E.W.，Hammerstein-Wiener模型识别的盲方法，Automatica，38，967-979（2002）·Zbl 1012.93018号
[46] Gallman，P.G.，两种Hammerstein模型识别算法的比较，IEEE Trans。自动化。控制，21124-126（1976）·Zbl 0317.93067号
[47] Christopher J.C.Burges，模式识别支持向量机教程，Data Min.Knowl。发现。，2, 121-167 (1998)
[50] Clerc，M。；Kennedy，J.，《多维复杂空间中的粒子群爆炸、稳定性和收敛》，IEEE Trans。进化。计算。，6, 58-73 (2002)
[51] Trelea，I.C.，《粒子群优化算法：收敛分析和参数选择》，Inf.Process。莱特。，85, 317-325 (2003) ·Zbl 1156.90463号
[52] 卡迪尔卡马纳桑，V。；塞尔瓦拉贾赫，K。；Fleming，P.J.，粒子群优化器中粒子动力学的稳定性分析，IEEE Trans。进化。计算。，10, 245-255 (2006)
[53] 范登伯格，F。；Engelbrecht，A.P.，《粒子优化粒子轨迹研究》，《信息科学》。，176, 937-971 (2006) ·Zbl 1093.68105号
[54] 肯尼迪，J。；Mendes，R.，《完全知情且邻里关系最好的粒子群中的邻里拓扑》，IEEE Trans。系统。，天啊，赛博。第C部分——申请。修订版，36，515-519（2006）
[56] Ratnaweera，A。；Halgamuge，S.K。；Watson，H.C.，具有时变加速度系数的自组织分层粒子群优化器，IEEE Trans。进化。计算。，8, 240-255 (2004)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。