专利交易市场

本发明提供一种基于Wiener模型的柔性机械臂系统辨识方法和装置，所述方法包括：通过样本数据对四层神经模糊网络进行训练，得到柔性机械臂系统的标称模型，其中，样本数据包括柔性机械臂系统的输入变量力矩和输出变量加速度；构建柔性机械臂系统的Wiener模型，其中，Wiener模型包括动态线性模块和静态非线性模块；将可分离信号和实际力矩构成的组合信号作为Wiener模型的输入，将可分离信号经过标称模型的输出和实际加速度作为Wiener模型输出，辨识Wiener模型中动态线性模块和静态非线性模块的参数；通过辨识后的Wiener模型预测柔性机械臂系统的加速度。本发明能够降低Wiener模型计算的复杂性，提高参数辨识精度，从而能够有效控制柔性机械臂系统，提高柔性机械臂系统的工作效率。

本发明公开一种小运算量的低阶相异实极点线性系统阶数直接式辨识方法，包括步骤一、准备恒值输入激励和输出量采集系统，步骤二、将恒值输入激励施加至待测系统并采集输出，步骤三、计算出样本元h(r,j)，步骤四、计算出辨识基元g(a,b)，步骤五‑步骤七、分别计算一级、二级和三级辨识元及一级、二级和三级辨识要素，步骤八、计算辨识因子χRec(1)、χRec(2)、χRec(3)，步骤九、根据辨识因子分析出待测系统的阶数Num，步骤十、若Num＝‑1且Rec＝1，则Rec＝2，转至步骤四计算，否则结束；本发明为低阶相异实极点线性系统的安全、高效、高性能控制与运行做好了坚实的铺垫。

本发明提供了一种基于遗忘增广随机梯度算法的分数阶水箱辨识方法，属于供水系统辨识技术领域，解决了随机梯度算法收敛速度慢且辨识精度不高的问题。其技术方案为：一种基于遗忘增广随机梯度算法的分数阶水箱辨识方法，其技术方案为：包括以下步骤：步骤1)建立分数阶水箱系统Wiener非线性模型；步骤2)构建遗忘增广随机梯度算法的辨识流程。本发明的有益效果为：本发明提出的遗忘增广随机梯度算法有较快的收敛速度和较高的收敛精度，能较好的适用于对分数阶水箱系统的建模和参数辨识。

本发明涉及一种数据驱动的输入输出含噪声Hammerstein非线性系统偏差校正辨识方法，属于控制理论与控制工程非线性系统辨识领域。该方法包括：S1：采集系统观测输入数据和观测输出数据；S2：构建Hammerstein非线性系统可解释重构模型；S3：处理Hammerstein非线性系统噪声与系统数据，解耦噪声作用；S4：利用二维搜索方法求解系统噪声方差；S5：利用最小二乘偏差校正方法求解系统参数辨识。本发明采用系统观测输入输出数据，基于可解释的重构模型，避免参数估计过程的偏差，提高模型精度，提供一致估计。

本发明提供了一种基于极大似然最小二乘算法的分数阶压电陶瓷辨识方法，属于电子设备系统辨识技术领域，解决了最小二乘算法收敛速度慢且辨识精度不高的技术问题。其技术方案为：一种基于极大似然最小二乘算法的分数阶压电陶瓷辨识方法，其技术方案为：包括以下步骤：步骤1)建立分数阶压电陶瓷系统Hammerstein非线性模型；步骤2)构建极大似然最小二乘算法的辨识流程。本发明的有益效果为：本发明提出的极大似然最小二乘算法有较快的收敛速度和较高的收敛精度，能较好的适用于对分数阶压电陶瓷系统的建模和参数辨识。

本发明公开了一种基于多率迟延状态空间模型的辨识方法及U控制系统，根据已知的输入数据和已知的输出数据建立迟延系统的辨识模型；输出参数辨识，通过线性转换技术，将迟延系统转换成最小二乘形式的辨识模型，通过辨识模型的初始参数及构造的信息向量逼近输出数据，模型中未知的参数和信息向量由其估计值代替，结合系统假设的初始状态和系统可测的输入输出数据可以辨识出当前时刻输出的参数；最终辨识参数值及状态值，对辨识出的当前输出采样时刻的参数用多新息算法进行辨识，从而得到最终辨识参数值及状态值；将辨识后的模型采用U控制设计，不再需要对线性/非线性，多项式/状态空间模型结构进行分类，提供了极大的简化/通用性。

本发明公开了一种多传感器基于多率变时滞状态空间模型的期望最大化辨识方法，多传感器利用多采样率的形式表示变时滞状态空间模型的结构；对于具有时变时滞的状态空间系统，未知时间时滞为隐马尔可夫模型，即在时间Ti处的时滞变量λ仅位于其过去的信息中，并且仅具有N个离散值；确定具有时间时滞的多率状态空间系统，通过确定每个采样时间的隐藏时滞变量的值、确定隐马尔可夫模型的转移概率矩阵和先验概率，确定状态空间模型的参数。本发明法适用于其他线性和非线性系统的参数估计，本发明也适用于多变量系统、多模态系统、伪线性系统的参数估计问题，并可对基于该类模型的数据预测和控制器设计提供可靠的系统建模方法。

本发明涉及一种动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法，属于控制理论与控制工程非线性系统辨识领域。该方法包括：S1：采集系统动态数据和静态数据；S2：选择和处理Hammerstein非线性系统模型，得到预测模型；S3：构建Hammerstein非线性系统动态简约模型；S4：构建Hammerstein非线性系统静态简约模型；S5：利用递阶拉格朗日最优加权方法求解系统参数融合辨识。本发明同时采用动静态数据，基于分解的简约模型，避免对额外中间参数的估计，降低估计模型的方差、提高模型精度。