一、非线性递推部分最小二乘及其应用（论文文献综述）
刘沁瑶[1]（2021）在《多变量系统的耦合递推参数估计》文中指出对于结构复杂的多变量工业过程,找到合适的辨识算法获得数学模型,是过程分析和控制系统设计的基础.多变量系统维数高参数多,使得辨识算法的计算量大,减小算法计算量是多变量系统辨识急需解决的问题.本文针对有色噪声干扰下的多变量系统,结合辨识新技术提出了高效的耦合递推参数估计算法.论文的具体研究内容如下.（1）针对同时存在参数向量和参数矩阵的多变量方程误差自回归滑动平均系统,将其分解为多个只含有参数向量的单输出子系统,利用耦合辨识原理,提出了计算效率高的耦合递推参数估计算法,算法能保证辨识精度并减小计算量.此外,为降低有色噪声对参数估计的影响,对系统的观测数据进行滤波,进一步分解滤波辨识模型,并联合部分的噪声模型来估计系统的全部参数,推导了估计精度更高的滤波耦合递推算法.（2）针对多变量输出误差自回归滑动平均系统,基于Kronecker积运算得到的辨识算法计算量大,为了减小计算量,将系统根据输出维数分解为多个单输出子系统进行辨识,对于系统中存在的不可测无噪输出项,建立辅助模型进行估计,再利用耦合原理推导了辅助模型耦合递推算法,算法能提高参数估计的计算效率.进一步结合数据滤波,提出了辅助模型滤波耦合递推算法,加入滤波技术后的算法能获得更准确的辨识结果.（3）多元系统是多变量线性系统的推广,可以表示一些多变量非线性系统.针对多元输出误差自回归系统,在分解技术的框架下推导了基于辅助模型的多元系统耦合递推算法.再结合模型变换技术处理有色噪声,研究了基于模型变换的辅助模型耦合递推算法.与滤波算法不同,通过模型变换后的辨识模型包含系统所有待估计参数,不需要再联合噪声模型进行交互估计,算法在实现上步骤简单,且能提高参数估计精度.论文中对提出算法的计算量进行了分析和比较,结果表明利用耦合原理后算法的计算量减小.此外,文中对所提出的主要辨识算法进行了数值仿真,仿真结果表明耦合递推算法可以保证参数估计精度,且加入数据滤波和模型变换后的耦合算法能获得更精确的参数估计值,验证了提出算法的有效性.
陈梦婷[2]（2021）在《双线性参数系统的迭代辨识研究》文中研究指明随着对非线性现象研究的日益深入,非线性模型的辨识问题日益凸显。双线性参数系统的模型特征是含有双线性项,由两个参数向量和一个信息矩阵的乘积组成。作为一种特殊的非线性系统,双线性参数模型在一定程度上兼顾了非线性模型的灵活性和线性模型易控制的优点。因此研究这类系统的辨识方法具有理论和实践意义。迭代辨识方法是一类批数据处理方法,可以充分利用观测信息,从而有效改善辨识效果。本文研究双线性参数系统的迭代辨识方法,其主要内容如下。（1）对于双线性参数系统,其辨识难点在于系统输出与参数存在双线性关系,导致参数不可辨识,因此需要规范化双线性参数。基于此,针对一类双线性参数方程误差系统,借助于过参数化模型,提出了基于过参数化的梯度迭代辨识算法和基于过参数化的最小二乘迭代辨识算法。为了提高算法的辨识效率,基于分解原理,推导了基于过参数化的分解最小二乘迭代辨识算法。此外,利用递阶技术将双线性参数向量划分到不同的参数集中,提出基于分解的递阶迭代辨识方法,避免了冗余参数的估计同时降低了算法的计算量。（2）针对双线性项,提出了一种新的分离其双线性参数向量的方法,将系统的输出表示成所有未知参数的线性组合,推导了基于参数分离的梯度迭代辨识算法和基于参数分离的最小二乘迭代辨识算法。由于双线性参数输出误差系统模型含有分式结构,在线性化过程中会产生的未知中间变量,基于此,结合辅助模型辨识思想将双线性参数方程误差系统的辨识方法推广到双线性参数输出误差系统。（3）考虑有色噪声干扰下的双线性参数系统,引入数据滤波技术,提出基于分解的递阶滤波梯度迭代辨识算法和基于分解的递阶滤波最小二乘迭代辨识算法,减少了噪声干扰对辨识结果的影响。此外,在输出变量概率密度函数已知的条件下,借助于极大似然估计原理,构造以参数向量为自变量的似然函数,通过极大化其对数似然函数,推导了极大似然梯度迭代辨识算法和极大似然最小二乘迭代辨识算法。（4）针对一类含有双率采样数据的双线性参数方程误差系统,即系统的部分输出数据是缺失的,利用参数分离方法推导其基于双率采样数据的辨识模型,根据已有的观测信息,结合粒子滤波和核密度方法估计其未知输出,推导了基于参数分离的粒子滤波梯度迭代辨识算法和基于参数分离的粒子滤波最小二乘迭代辨识算法,实现了未知输出和模型参数的联合估计。综上所述,本文首先针对双线性参数方程误差系统的辨识问题,从线性化双线性项的角度出发,提出基于过参数化辨识模型、基于分解递阶辨识模型和基于参数分离辨识模型的迭代方法,并结合辅助模型以及粒子滤波将结果推广到双线性参数输出误差系统和双率双线性参数方程误差系统,最后利用数值仿真说明了辨识方法的有效性。
程丽[3]（2021）在《在线序列极限学习机及其应用研究》文中提出极限学习机（Extreme learning machine,ELM）是一种单隐层前馈神经网络,经典ELM学习算法为批量算法,所有的数据在训练之前都应该事先获得。然而,实际应用中数据往往是连续接收的。针对该场景,在线序列极限学习机（Online Sequential Extreme learning machine,OS-ELM）应运而生,它可以对逐个或逐块到来的数据进行顺序处理,具有较好的泛化性能和较快的学习速度。本文从非高斯噪声鲁棒性和隐含层结构稀疏性这两个方面改进OS-ELM算法,并将其应用于OFDM系统的信道均衡。具体研究内容如下:（1）OS-ELM算法利用均方误差（Mean Squared Error,MSE）准则构造代价函数,由于该准则只考虑数据的二阶统计量,因此在处理非线性和非高斯分布的数据时难以获得最佳性能。针对该问题,本文提出了基于鲁棒递归最小二乘的在线序列极限学习机（RR-OSELM）算法,利用最大相关熵准则构造代价函数,采用半二次优化算法将模型转化为二次型问题,从而得到输出权值递推公式。通过对算法收敛的理论证明以及实验表明,该算法在期望数据受非高斯噪声污染时具有良好的鲁棒性。（2）OS-ELM算法中人为设置隐含层节点数目具有随机性,设置过大会引起过拟合问题,设置太小会降低预测精度。为了能自动获得隐含层最佳结构,本文提出基于稀疏递归最小二乘的在线序列极限学习机（S-OSELM）,在代价函数中加入输出权值的l0-范数和1l-范数正则化惩罚项以获得稀疏解,使用子梯度方法得到输出权值的在线更新方式。同时,为了防止正则化参数选取不当对算法性能造成的不利影响,提出一种自适应调整正则化参数的方法。从理论上证明了S-OSELM算法的收敛性,实验结果表明,所提出的S-OSELM-l0和S-OSELM-l1算法精确度较高,隐含层规模更小。（3）正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统中经过高功率放大器（High Power Amplifier,HPA）和衰落信道后,非线性失真和多径效应使得接收端信号发生严重的畸变,通信系统性能受到较大影响。现有的大部分基于神经网络的OFDM信道均衡方法需要对信道模型提前进行离线训练,当真实信道场景与之前的信道模型出现较大差异时,信道均衡性能下降。针对以上问题,本文使用在线序列极限学习机完成信道均衡。仿真结果表明,该方法能克服多径衰落信道和HPA产生的非线性失真带来的影响,相比传统的信道均衡方法能获得更低的误比特率。
黎源[4]（2021）在《面向工业机器人的拉线式运动学标定系统研究》文中指出工业机器人是一种高柔性的自动化设备,是智能制造系统的重要组成。虽然工业机器人拥有较高的重复精度,但是其定位精度较低,在一些需要高定位精度的领域仍然无法应用,标定技术可以提高机器人定位精度而无需改变其本身结构。针对现有标定技术中使用的测量设备价格昂贵,标定流程繁琐的问题,本文提出一种基于拉线传感器的运动学标定系统,该系统可用于快速标定机器人运动学参数误差、传动参数误差,并补偿到机器人名义运动学模型中,以提高机器人定位精度。通过调研机器人标定技术研究现状,结合对测量系统相关性能要求,确定了基于拉线传感器的机器人标定系统总体技术方案。选用了高精度绝对型拉线传感器,设计了配套的导向与适配机构,使其能够动态完成大空间范围内标定点的距离测量。根据标定机构的结构参数,分析多个误差因素对拉线距离信息测量的影响,并建立了标定系统误差模型,用于修正测量信息。设计了基于SSI（Synchronous Serial Interface）协议的数据采集系统电路,开发了数据采集软件。以通用型六自由度工业机器人为标定对象,使用MD-H（Modified DenavitHartenberg）方法建立其运动学模型,分析了由传动参数引起的误差,并在模型中引入了耦合比与传动比。在机器人运动学模型的基础上,建立了机器人的位置误差、距离误差模型,深入分析对比了两种模型,建立了基于拉线测量系统的距离误差模型,并对模型进行了冗余参数分析。为了解决传统粒子滤波算法中存在的粒子权值退化、多样性匮乏的问题,提出了一种结合粒子群算法搜索思想的正则粒子滤波算法。通过不同噪声下的参数辨识仿真,对比了最小二乘算法、扩展卡尔曼滤波算法、正则粒子滤波算法的辨识效果,仿真结果证明所提出的正则粒子滤波算法可辨识出机器人运动学参数误差,具有更强的鲁棒性与辨识效果。针对不同位姿下标定效果存在差异的问题,提出了一种基于可观性指数的最优测量位姿集递推优化方法并进行了实验验证,实验结果验证了优化后的位姿集的标定效果优于随机位姿集的效果。为了验证所提出的拉线标定系统的有效性,对该系统进行了测试,通过机器人标定实验发现:经过标定后机器人空间距离误差最大值从4.426mm降低到1.525mm,降低了65.5%,平均误差从1.737mm降低到0.428mm,降低了75.3%,均方根距离误差1.971mm降低到0.538mm,降低了72.7%,验证了所设计的拉线标定系统的有效性。通过对比基于激光跟踪仪测量的标定实验结果后发现:由于拉线传感器标定系统的测量精度相对较低,本系统标定的机器人精度比激光跟踪仪标定的精度略低,但可以满足通常的工业机器人应用场合。
柴华[5]（2021）在《BLDC系统伺服参数自适应整定研究》文中进行了进一步梳理无刷直流电机的电流环参数整定情况直接影响伺服电机的平顺性与响应性能,对其进行自整定研究具有十分重要的意义。传统的整定方法存在整定效率低下,非线性适应能力差等缺点。本文的第一个研究目标是提出一种易用,参数鲁棒性强,非线性适应能力强的电流环自整定方法。本文的另一个研究目标是针对目前实验室羽毛球机器人ELMO驱动器价格高昂,应用场景受限的情况。利用TMCC160电机驱动芯片设计一款高性能无刷电机驱动器。针对以上研究目标,本文提出了一种基于最大灵敏度与NN-IMC-PID控制器相结合的电流环整定策略,并设计了一款基于TMCC160的BLDC驱动器。本文首先对伺服系电流环中的各个环节进行了建模,并对死区时间、开关管导通压降等非线性因素进行了影响分析,修正了电流环模型。接下来推导了RLS算法的一般形式,并针对数据饱和现象引入了遗忘因子的改进方法。将电流环模型与改进RLS算法进行了结合,提出了一种无刷直流电机的电流环参数辨识方法。针对逆变器等非线性环节对辨识结果的影响,利用噪声系数和相关性指标构建了辨识有效性判断标准。并以此设计了辨识激励方法,利用仿真和实验验证了算法的有效性。针对永磁同步电机矢量控制环节存在交叉耦合性强,模型复杂等特点本文将内模控制与电流环整定结合提出了基于内模解耦控制的电流环整定策略。利用一阶泰勒展开将逆变器等时滞环节进行了等效处理,并在此基础上推导了滤波器参数与电流环PI参数的关系。为了提高整定方法的模型鲁棒性与抗干扰能力本文采用最大灵敏度对电流环IMC-PID控制器进行了整定。利用Simulink模型对方法的鲁棒性与抗干扰能力进行了验证。为了进一步改善整定方法对非线性环节的适应性,本文提出了一种基于最大灵敏度整定方法的NN-IMC-PID整定方法。将最大灵敏的整定结果作为神经网络整定器的初值,通过Simulink仿真和实验对算法进行了验证,结果证明了模型的响应快速性和超调情况都有所改善。最后本文基于TMCC160芯片设计了一款无刷直流电机驱动器,并在此基础上进行了电机参数辨识与电流环PI参数整定实验。证明了所提出整定策略的有效性。并以整定算法为基础建立了一套具备参数调试与自整定功能的调参软件。
柳良[6]（2020）在《基于改进小反射理论的多频/宽带阻抗变换方法及其应用》文中研究说明随着现代无线通信技术的快速发展,各种通信应用层出不穷。为了满足人们日益增长的多功能和高速通信需求,通信系统往往需要工作于多个频带或者单个宽频带上。一方面,虽然基于单频器件、功率分配/合成器、射频开关等可以构建出多频通信系统,但是它们往往存在尺寸大、成本高以及性能差等问题,难以满足多制式通信和易于携带的需求。因此,实际的多频通信系统往往直接由多频器件构成。目前,多频器件及其关键部件多频阻抗变换器的设计大多基于传输线理论、阻抗矩阵、导纳矩阵或者ABCD矩阵,它们的复杂度都随频带数呈指数增长。因此,这些方法难以应用到三频及更多频器件设计中。另一方面,当前的宽带阻抗匹配方法仅仅适用于匹配网络源阻抗和负载阻抗均为实数的情形。针对上述问题,本文对多频带/宽带阻抗变换方法及其应用问题进行了深入研究,主要研究内容和创新点如下:第一,改进了传统小反射理论,拓展了其应用范围。改进小反射理论不仅适用于宽带阻抗变换,还可应用于多频阻抗变换。并且,源阻抗以及负载阻抗不再限于实数阻抗。再者,与基于传输线理论、ABCD矩阵、阻抗/导纳矩阵等其它阻抗变换方法相比,其约束方程可以简化为单个矩阵方程。此外,阻抗变换尺寸可以通过引入的参考频率直接控制。第二,基于改进小反射理论,提出了多频实数-实数（一个固定实数源阻抗变换到一个固定实数负载阻抗）阻抗变换方法。通过引入一个修正小反射系数映射关系式,使得阻抗变换的约束方程复杂度几乎不随附加传输线的引入而变大。此外,阻抗变换的频带数、频率比和阻抗变换比均可以任意。第三,基于改进小反射理论,通过引入两个等效变换以及足够多的等阻抗变换比子阻抗变换器,提出了多频复数-复数（一个复数频变源阻抗变换为一个复数频变负载阻抗）阻抗变换方法。将该阻抗变换方法应用于多频级联功率放大器设计时,设计复杂度和尺寸几乎可以缩减为传统方法的一半。第四,提出了宽带实数-复数阻抗变换方法。基于多频实数-复数阻抗变换方法,并通过最小二乘法直接构建一对共轭复数阻抗,推导了宽带实数-复数阻抗变换的解析表达式。本文的宽带实数-复数阻抗变换兼具结构和设计简单的优点。第五,提出了一种新型多频/宽带功率分配/合路器。通过将多频/宽带实数-复数阻抗变换方法应用于多频/宽带功率分配/合路器的奇模等效电路中,并将多频/宽带实数-实数阻抗变换方法应用于多频/宽带功率分配/合路器的偶模等效电路中,简化了多频/宽带功率分配/合路器设计。此外,由于它所采用的两级电路以及阶梯阻抗耦合传输线结构,多频/宽带功率分配/合路器仅包含一个隔离电阻,并且结构非常紧凑。第六,基于多频实数-复数阻抗变换方法设计了一款三频F-1类高效功率放大器,其具有设计简单的优点,并容易将其进一步拓展到任意频带数的功率放大器设计中。此外,设计中采用了一种新的适用于Ga N功率放大器的22-元件等效电路模型,该模型考虑了部分Ga N功率放大器中的栅极泄露电流以及自热效应,并基于最小二乘法简化了功率放大器等效电路的参数提取。
王志超[7]（2020）在《传感器动态特性建模方法及模型不确定度研究》文中研究说明随着经济社会和科学技术的发展,在科学研究、航空航天、工业控制等领域越来越多地要求动态测量,要求定量、深入地获取瞬态过程中各种参数和物理量的变化规律。传感器作为动态测试系统的前端,其动态特性决定了整个测试系统的动态性能。本文主要研究传感器的动态特性建模方法和模型不确定度,内容如下:（1）针对传感器线性模型,介绍了QR分解法,用来判定传感器动态模型的阶次。分析了最小二乘法的改进算法、递推极大似然法、粒子群优化算法的原理,进行了传感器线性系统仿真,在不同噪声模型及信噪比下,运用递推辅助变量法建模时,模型输出与系统真实输出的拟合误差均小于3%,优于其他线性建模方法。介绍了Hammerstein非线性系统辨识算法和BP神经网络算法,并进行了非线性系统仿真。（2）进行线性系统仿真,在没有噪声干扰时,运用递推最小二乘法进行参数辨识,得到了系统模型参数真值。提出了运用自助抽样法评定传感器线性模型的不确定度,并通过传感器线性模型不确定度的仿真,比较了贝塞尔法、蒙特卡罗法、自助抽样法在线性系统模型不确定度评定中的差异。（3）运用不同的线性建模方法对某一国产压电式压力传感器进行了动态建模,运用递推辅助变量法对该国产压电式压力传感器、Endevoc 8530C压阻式压力传感器进行了动态补偿,评定了压力传感器动态特性模型的不确定度。对一直径为1mm的K型热电偶进行了Hammerstein模型和BP神经网络模型辨识,并运用BP神经网络算法对该热电偶进行了动态补偿。通过对传感器动态特性建模方法及模型不确定度的研究,可以得出:递推辅助变量法在传感器的线性建模中适应性较强、建模精度较高,BP神经网络算法在传感器的非线性建模及动态误差修正中具有良好的效果,自助抽样法用于传感器线性模型不确定度评定是有效的。
曹伟男[8]（2020）在《基于EKF的船舶艏向模型辨识与L2闭环成形滤波控制》文中进行了进一步梳理本文研究的主要目的是为了解决船舶模型参数的求取问题,在参数辨识的基础上设计了 L2闭环成形滤波航向控制器。本文采用大连海事大学“百川号”无人船为实验对象,在确定了该船非线性运动模型结构的基础上,对该船模型进行系统参数辨识,并设计了船舶航向控制器,取得了比较理想的效果。其主要内容包括如下几个方面:首先推导出船舶运动数学模型,并对其中的待辨识参数进行了分析,还引入了递推最小二乘法和扩展卡尔曼滤波两种辨识算法,并将两种算法运用在建立好的船舶运动模型上。其次,在海上航行时,船舶的偏航始终受到外部干扰。这些问题使得自动驾驶系统的鲁棒控制器的设计成为一项艰巨的任务。本文着重于利用闭环成形滤波器来提高L2增益鲁棒控制,提出了L2闭环成形滤波控制。设计了用于船舶转向自动驾驶仪的L2增益鲁棒控制器,并基于Lyapunov方法证明了所提出控制器的稳定性和鲁棒性。通过“百川号”无人船在试验水域获取大量实验数据,并对数据进行去奇异值处理,并对辨识出参数模型进行有效性验证,确保得到可靠的数据来进行辨识实验。本文将两种算法辨识结果进行了 Z型和旋回对比试验,证明了扩展卡尔曼滤波辨识参数结果更加精确。设计了两组对比试验,将两种辨识算法的结果用于L2增益鲁棒控制器的设计并与PID控制器进行对比,并且扩展卡尔曼滤波辨识结果设计的控制器在航向保持上具有更优越的性能。
李晨龙[9]（2020）在《非线性时滞定常系统多维泰勒网辨识与预测控制》文中研究表明工业过程大都具有非线性、时滞、耦合等特征,并受外界干扰等影响。由于这些特征及影响的存在,常会导致控制系统超调量增大,调节时间变长,从而使系统的过渡过程变坏,稳定性降低,极易引起闭环系统的不稳定。如何克服这些问题,对系统进行有效的控制成为了控制理论领域与工程领域研究的重点。由于非线性和时滞等特性的存在,一方面难以得到系统精确的数学模型,另一方面线性系统相关的研究成果很难直接应用到非线性系统中。近年来,多维泰勒网（Multi-dimensional Taylor Network,MTN）的出现为解决非线性系统建模与控制提供了有效的解决方案,其结构简单,运算速度快,具有并行处理、自主学习和极强的非线性映射能力,为此,将MTN应用到非线性时滞系统来解决非线性、时滞、耦合、外界干扰等问题。所以本课题的研究具有重要的理论意义和实际应用价值。本文以非线性时滞定常系统（以下简记为非线性时滞系统）为研究对象,综合考虑外界干扰、噪声、耦合与输入死区等问题,将多维泰勒网作为研究工具,结合预测控制思想,以提高动态性能为核心,以改善计算复杂度为关键来研究非线性时滞系统控制问题。借助MTN的优良性能,分别设计MTN辨识模型、MTN预测模型、MTN控制器和MTN补偿器,对非线性时滞系统的输出跟踪控制问题进行了深入研究,提出了基于MTN的预测控制方案,并采用Lyapunov稳定性理论证明闭环系统的稳定性。论文的主要研究工作概括如下:1.提出基于MTN的非线性时滞系统辨识方案。利用MTN对非线性时滞系统进行辨识,证明MTN模型表达式的合理性,确立模型中加权项的排列次序及其递归表达式;利用MTN特殊的结构以及极限学习机算法,根据中间层节点与输出权值的关系得到最优MTN辨识模型,利用极限学习机算法计算输出权值,避免梯度法迭代寻优的过程,在保证运算精度的前提下,有效降低算法复杂度;结合剪枝算法对MTN结构进行精简,提高运算效率;利用互相关函数方法,通过输入和输出信号的相关性对未知时滞进行辨识。实验结果验证了所提方案的有效性。2.提出非线性时滞系统的MTN预测模型构建方案。基于MTN的非线性逼近能力,以补偿时滞影响为目的,给出两种预测模型的构建方案,分别为递推MTN预测模型和非递推MTN预测模型,并结合适当的学习算法进行实时在线建模,准确构建预测模型,从而补偿时滞的影响。实验结果验证了所提方案的有效性。3.提出单入单出非线性时滞系统的MTN预测控制方案以及稳定性分析方案。无需状态反馈,仅依靠输出反馈构成闭环控制,实现了系统相对于给定参考信号的实时输出跟踪控制;基于MTN的非线性逼近能力,依靠非递推技术设计了非递推d步超前MTN预测模型来补偿时滞的影响;设计MTN控制器来实现系统精确跟踪控制,利用MTN控制器的网络化结构,采用输入和输出信号合成的误差信号作为控制器输入;根据Lyapunov稳定性理论证明闭环系统稳定性。实验结果验证了所提方案的有效性。4.提出不含外界干扰与带有外界干扰情况下单入单出非线性时滞系统的MTN预测控制方案以及稳定性分析方案。MTN分别作为预测模型、控制器和补偿器,无需状态反馈实现了系统相对于给定参考信号的实时输出跟踪控制。基于MTN的非线性逼近能力,依靠非递推技术设计了非递推d步超前MTN预测模型来补偿时滞的影响;设计MTN控制律对非线性时滞系统进行输出跟踪控制;同时MTN补偿器来抵消干扰的影响;利用MTN预测模型的预测精度,控制权系数和优化系数,根据Lyapunov稳定性理论证明闭环系统稳定性,并得到MTN控制器的参数调整方法。实验结果验证了所提方案的有效性。5.提出多入多出非线性时滞系统的MTN预测控制方案以及稳定性分析方案。借助MTN的良好特性,其泛化性能优良,无需解耦过程与状态反馈,可以实现系统对给定参考信号的实时输出跟踪控制。利用递推技术设计了递推d步超前MTN预测模型来补偿时滞的影响;并针对MTN结构特性,设计MTN控制器来实现系统精确跟踪控制,通过采用输入信号和输出信号合成的误差信号作为控制器输入;根据Lyapunov稳定性理论证明闭环系统稳定性。实验结果验证了所提方案的有效性。6.提出带有未知时滞情况下的多入多出非线性时滞系统的多维泰勒网预测控制方案以及稳定性分析方案。在辨识时滞的基础上,提出基于多维泰勒网的递推d步预测控制方案。利用递推技术设计了递推d步超前MTN预测模型来补偿时滞的影响;给出多步预测目标函数,通过迭代寻优,进而得到最优控制律;利用MTN预测模型的预测精度,控制权系数和优化系数,根据Lyapunov稳定性理论证明闭环系统稳定性,并得到MTN控制器参数调整方法。实验结果验证了所提方案的有效性。
汤凯谊[10]（2020）在《基于特征模型的高速列车全系数自适应控制》文中研究表明高速铁路的发展对我国经济建设、缓解交通负担有着重大意义。然而,影响高速列车运行速度的机理复杂,建立高精度的列车动力学模型,设计简单可靠的速度跟踪控制器十分困难。首先,列车在高速运行中面对的气动阻力不可忽略,而气动阻力与速度的平方成正比,成为高速列车动力学模型中一个难于处理的非线性项。其次,列车系统中元器件老化或损坏,高速列车系统本身的特性便会随之发生改变,往往不可避免地造成系统结构参数变化的结果。再次,在实际高速列车运行中,随着运行过程中工况条件及环境的变化,存在外界干扰及输入输出受限等不确定因素,若未能考虑这些不确定因素则会产生一定的未建模误差。因此,针对高速列车动力学系统复杂多变的特点,提出采用特征建模的方法对高速列车动力学进行分析,并建立等效的低阶慢时变特征模型,然后基于所建特征模型和跟踪控制要求设计全系数自适应控制器,实现速度跟踪自适应控制。最后在此基础上,进一步考虑系统滞后的影响,分析并建立误差预测系统,结合误差预测实现了考虑滞后的全系数自适应控制。论文的研究内容主要由以下几个方面组成:首先,根据高速列车物理机理分析了列车动力学常规数学模型,并基于此动力学基础分析了特征建模的适用性,利用高速列车运行的实测数据和带遗忘因子的最小二乘辨识法对慢时变特征参数进行辨识,从而获得等效的低阶慢时变特征模型。特征模型避开列车的实际物理机理,根据对象的动力学特性、环境特征来建模,大大降低了模型的复杂程度,从而利于简单可靠的低阶控制器设计。然后,根据列车的牵引/制动特性绘制列车理想运行速度曲线,基于所建列车动力学特征模型,根据全系数自适应控制理论,对不同控制器进行速度跟踪控制分析和组合研究,以均方误差大小评判跟踪控制性能的优劣,仿真实验证明,结合非线性黄金分割控制器、维持/跟踪控制器和逻辑积分控制器具有最好的跟踪性能。最后,考虑系统存在滞后的情形,根据考虑滞后的全系数自适应控制理论设计误差预测模型,分别比较了BPNN、SVM、LSSVM的预测性能,并根据样本的时效性和相关性建立滚动时间窗,对训练样本进行筛选和加权,从而进一步提高了预测模型的预测精度。结合所建预测模型,实现了考虑系统滞后的全系数自适应跟踪控制。
二、非线性递推部分最小二乘及其应用（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、非线性递推部分最小二乘及其应用（论文提纲范文）
（1）多变量系统的耦合递推参数估计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题提出与研究意义 |
| 1.2 多变量系统国内外研究现状 |
| 1.3 预备知识介绍 |
| 1.4 本文主要研究内容简介 |
| 第二章 多变量方程误差系统的耦合递推参数估计 |
| 2.1 系统模型描述 |
| 2.2 部分耦合广义增广随机梯度估计算法 |
| 2.3 部分耦合广义增广最小二乘估计算法 |
| 2.4 滤波部分耦合广义增广参数估计算法 |
| 2.5 交互干扰的多变量系统耦合递推参数估计算法 |
| 2.6 算法的数值仿真 |
| 2.7 本章小结 |
| 第三章 多变量输出误差系统的耦合递推参数估计 |
| 3.1 系统模型描述 |
| 3.2 辅助模型部分耦合广义增广随机梯度估计算法 |
| 3.3 辅助模型部分耦合广义增广最小二乘估计算法 |
| 3.4 辅助模型滤波部分耦合广义增广随机梯度估计算法 |
| 3.5 辅助模型滤波部分耦合广义增广最小二乘估计算法 |
| 3.6 算法的数值仿真 |
| 3.7 本章小结 |
| 第四章 多元输出误差系统的耦合递推参数估计 |
| 4.1 系统模型描述 |
| 4.2 基于辅助模型的多元系统部分耦合随机梯度估计算法 |
| 4.3 基于辅助模型的多元系统部分耦合最小二乘估计算法 |
| 4.4 基于模型变换的辅助模型部分耦合随机梯度估计算法 |
| 4.5 基于模型变换的辅助模型部分耦合最小二乘估计算法 |
| 4.6 算法的数值仿真 |
| 4.7 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:攻读博士学位期间发表的论文 |
（2）双线性参数系统的迭代辨识研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题的提出与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容简介 |
| 第二章 基于过参数化的双线性参数系统迭代辨识方法 |
| 2.1 双线性参数方程误差系统 |
| 2.1.1 基于过参数化的梯度迭代辨识算法 |
| 2.1.2 基于过参数化的最小二乘迭代辨识算法 |
| 2.1.3 基于过参数化的分解最小二乘迭代辨识算法 |
| 2.2 双线性参数输出误差系统 |
| 2.2.1 基于过参数化的辅助模型梯度迭代辨识算法 |
| 2.2.2 基于过参数化的辅助模型最小二乘迭代辨识算法 |
| 2.2.3 基于过参数化的辅助模型分解最小二乘迭代辨识算法 |
| 2.3 数值仿真 |
| 2.4 本章小结 |
| 第三章 基于分解的双线性参数系统递阶迭代辨识方法 |
| 3.1 双线性参数方程误差系统 |
| 3.1.1 基于分解的递阶梯度迭代辨识算法 |
| 3.1.2 基于分解的递阶最小二乘迭代辨识算法 |
| 3.1.3 基于分解的递阶滤波梯度迭代辨识算法 |
| 3.1.4 基于分解的递阶滤波最小二乘迭代辨识算法 |
| 3.2 双线性参数输出误差系统 |
| 3.2.1 基于分解的递阶辅助模型梯度迭代辨识算法 |
| 3.2.2 基于分解的递阶辅助模型最小二乘迭代辨识算法 |
| 3.2.3 基于分解的递阶滤波辅助模型梯度迭代辨识算法 |
| 3.2.4 基于分解的递阶滤波辅助模型最小二乘迭代辨识算法 |
| 3.3 数值仿真 |
| 3.4 本章小结 |
| 第四章 基于参数分离的双线性参数系统迭代辨识方法 |
| 4.1 双线性参数方程误差系统 |
| 4.1.1 基于参数分离的梯度迭代辨识算法 |
| 4.1.2 基于参数分离的最小二乘迭代辨识算法 |
| 4.2 双线性参数输出误差系统 |
| 4.2.1 基于参数分离的辅助模型梯度迭代辨识算法 |
| 4.2.2 基于参数分离的辅助模型最小二乘迭代辨识算法 |
| 4.3 双率双线性参数方程误差系统 |
| 4.3.1 基于参数分离的粒子滤波梯度迭代辨识算法 |
| 4.3.2 基于参数分离的粒子滤波最小二乘迭代辨识算法 |
| 4.4 数值仿真 |
| 4.5 本章小结 |
| 第五章 基于极大似然的双线性参数系统迭代辨识方法 |
| 5.1 双线性参数方程误差系统 |
| 5.1.1 基于极大似然的梯度迭代辨识算法 |
| 5.1.2 基于极大似然的最小二乘迭代辨识算法 |
| 5.2 双线性参数输出误差系统 |
| 5.2.1 基于极大似然的辅助模型梯度迭代辨识算法 |
| 5.2.2 基于极大似然的辅助模型最小二乘迭代辨识算法 |
| 5.3 数值仿真 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:攻读博士学位期间发表的论文 |
（3）在线序列极限学习机及其应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 极限学习机研究现状 |
| 1.2.2 在线序列极限学习机研究现状 |
| 1.2.3 基于神经网络的OFDM系统信号处理 |
| 1.3 本文主要工作和内容安排 |
| 第二章 基础知识 |
| 2.1 极限学习机概述 |
| 2.1.1 极限学习机 |
| 2.1.2 正则化极限学习机 |
| 2.2 在线序列极限学习机 |
| 2.2.1 在线序列极限学习机 |
| 2.2.2 正则化在线序列极限学习机 |
| 2.3 本章小结 |
| 第三章 基于鲁棒递归最小二乘的在线序列极限学习机 |
| 3.1 基于递归最小二乘的在线序列极限学习机 |
| 3.2 基于鲁棒递归最小二乘的在线序列极限学习机 |
| 3.2.1 最大相关熵准则 |
| 3.2.2 RR-OSELM算法推导 |
| 3.3 RR-OSELM算法收敛性分析 |
| 3.3.1 输出权值的无偏估计 |
| 3.3.2 输出权值的均方误差 |
| 3.3.3 训练样本的均方误差 |
| 3.4 实验仿真与分析 |
| 3.4.1 时间序列预测实验 |
| 3.4.2 回归实验 |
| 3.5 本章小结 |
| 第四章 基于稀疏递归最小二乘的在线序列极限学习机 |
| 4.1 极限学习机隐含层设计方法 |
| 4.2 基于稀疏递归最小二乘的在线序列极限学习机 |
| 4.2.1 S-OSELM算法推导 |
| 4.2.2 正则化参数的自适应调整 |
| 4.2.3 基于l_0-范数和l_1-范数的S-OSELM算法 |
| 4.2.4 多输出节点的S-OSELM算法 |
| 4.3 S-OSELM算法收敛性分析 |
| 4.4 实验仿真与分析 |
| 4.4.1 时间序列预测问题分析 |
| 4.4.2 回归问题分析 |
| 4.4.3 分类问题分析 |
| 4.5 本章小结 |
| 第五章 在线序列极限学习机在OFDM系统中的应用 |
| 5.1 OFDM系统概述 |
| 5.1.1 OFDM系统框图 |
| 5.1.2 OFDM系统的信道均衡 |
| 5.2 基于在线序列极限学习机的OFDM系统信道均衡 |
| 5.2.1 问题描述 |
| 5.2.2 算法设计 |
| 5.3 实验仿真 |
| 5.3.1 数据产生 |
| 5.3.2 实验设置 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（4）面向工业机器人的拉线式运动学标定系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 机器人运动学标定系统国内外研究现状 |
| 1.2.1 机器人测量技术 |
| 1.2.2 机器人运动学建模 |
| 1.2.3 机器人参数辨识方法 |
| 1.2.4 误差补偿方法 |
| 1.3 课题来源 |
| 1.4 本文主要内容 |
| 1.5 本章小结 |
| 第二章 基于拉线传感器的运动学标定系统开发 |
| 2.1 拉线式运动学标定系统方案 |
| 2.2 拉线传感器测量系统及其导向机构设计 |
| 2.2.1 拉线传感器选用 |
| 2.2.2 拉线导向机构设计 |
| 2.2.3 拉线适配机构设计 |
| 2.2.4 基准点定位机构机构 |
| 2.3 基于SSI协议的数据采集卡设计 |
| 2.3.1 SSI协议简介 |
| 2.3.2 基于SSI协议的硬件设计 |
| 2.4 数据采集系统软件开发 |
| 2.5 钢绳长度误差模型 |
| 2.5.1 不同基准点引起的误差 |
| 2.5.2 钢绳变化长度建模 |
| 2.6 本章小结 |
| 第三章 机器人正运动学及距离信息误差模型 |
| 3.1 EFORT ER20-C10型机器人简介 |
| 3.2 机器人正运动学建模 |
| 3.2.1 标准DH模型 |
| 3.2.2 MDH模型 |
| 3.2.3 减速比、耦合比参数的引入 |
| 3.3 机器人误差模型 |
| 3.3.1 基于位置信息的机器人误差模型 |
| 3.3.2 基于距离信息的误差模型 |
| 3.4 参数冗余性分析 |
| 3.5 本章小结 |
| 第四章 基于距离信息的运动学标定方法研究 |
| 4.1 基于最小二乘法的参数辨识 |
| 4.1.1 最小二乘算法 |
| 4.1.2 测量噪声对最小二乘法的影响 |
| 4.1.3 基于最小二乘法的距离误差模型参数辨识算法仿真 |
| 4.2 基于扩展卡尔曼滤波算法的参数辨识 |
| 4.2.1 扩展卡尔曼滤波算法 |
| 4.2.2 基于EKF算法的距离误差参数辨识仿真 |
| 4.3 基于改进正则粒子滤波算法的参数辨识 |
| 4.3.1 粒子滤波原理 |
| 4.3.2 基于智能优化算法的改进RPF算法 |
| 4.3.3 基于改进RPF算法的距离误差参数辨识仿真 |
| 4.4 基于可观性指数的最优测量位姿分析 |
| 4.4.1 可观性分析理论 |
| 4.4.2 测量位姿集可观性指数最大化算法 |
| 4.4.3 基于可观性指数的运动学标定仿真 |
| 4.5 本章小结 |
| 第五章 机器人标定系统实验验证 |
| 5.1 测量精度实验 |
| 5.2 参数辨识实验 |
| 5.2.1 实验数据采集 |
| 5.2.2 最小二乘算法实验辨识结果 |
| 5.2.3 EKF算法实验辨识结果 |
| 5.2.4 GPSO-RPF算法实验辨识结果 |
| 5.2.5 基于可观性分析的运动学标定实验 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 工作成果及创新点总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A攻读硕士学位期间获得的科研成果及参与科研项目 |
（5）BLDC系统伺服参数自适应整定研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 参数辨识方法的研究现状 |
| 1.2.2 电机PID整定方法的研究 |
| 1.3 本文研究内容 |
| 1.3.1 整定算法总体技术路线 |
| 1.3.2 主要研究内容 |
| 第二章 无刷直流电机矢量控制系统建模及性能分析 |
| 2.1 永磁直流电机简介 |
| 2.1.1 永磁直流电机分类 |
| 2.1.2 永磁直流电机结构 |
| 2.1.3 永磁直流电机的工作原理 |
| 2.2 永磁直流电机数学模型 |
| 2.2.1 典型直流电机的数学模型 |
| 2.2.2 永磁直流电机的数学模型 |
| 2.2.3 坐标系变换关系 |
| 2.2.4 同步旋转坐标系下的永磁直流电机模型 |
| 2.3 永磁直流电机的矢量控制技术 |
| 2.3.1 空间矢量控制原理 |
| 2.3.2 空间矢量脉宽调制技术 |
| 2.4 逆变器建模及非线性因素的分析 |
| 2.4.1 电压源型逆变器模型 |
| 2.4.2 逆变器非线性因素的影响及补偿方法 |
| 2.5 本章小结 |
| 第三章 电机参数辨识 |
| 3.1 引言 |
| 3.2 参数辨识的基本概念 |
| 3.2.1 常用的数学模型描述与建立 |
| 3.2.2 系统辨识的步骤 |
| 3.3 最小二乘辨识法 |
| 3.3.1 最小二乘法的提法 |
| 3.3.2 最小二乘法的解 |
| 3.3.3 递推最小二乘法 |
| 3.3.4 改进的最小二乘法 |
| 3.4 永磁直流电机参数的最小二乘辨识方法 |
| 3.4.1 辨识算法设计 |
| 3.4.2 辨识过程中非线性因素的影响 |
| 3.4.3 辨识信号有效性判断 |
| 3.5 电枢参数辨识仿真实验 |
| 3.6 本章小结 |
| 第四章 基于神经网络的内模控制PID整定算法设计 |
| 4.1 引言 |
| 4.2 内模控制的基本原理 |
| 4.2.1 内模控制的结构 |
| 4.2.2 内模控制的性质 |
| 4.2.3 内模控制器的设计问题 |
| 4.3 基于IMC的 PID整定 |
| 4.3.1 IMC-PID整定的基本步骤 |
| 4.3.2 一阶过程的内模PID整定方法设计 |
| 4.3.3 二阶过程的内模PID整定方法设计 |
| 4.3.4 时滞过程的内模PID整定方法设计 |
| 4.4 基于IMC-PID的电流环整定方法 |
| 4.4.1 永磁同步电机的解耦内模控制器设计 |
| 4.4.2 基于最大灵敏度的IMC-PID整定方法 |
| 4.4.3 基于最大灵敏度的电流环IMC-PID整定 |
| 4.5 神经网络自适应IMC-PID整定方法 |
| 4.5.1 神经网络概述 |
| 4.5.2 NN-IMC-PID电流环控制器 |
| 4.6 电流环参数整定仿真实验 |
| 4.6.1 基于最大灵敏度的IMC-PID电流环整定仿真实验 |
| 4.6.2 基于NN-IMC-PID的电流环整定仿真实验 |
| 4.7 本章小结 |
| 第五章 直流无刷电机伺服驱动器硬件设计 |
| 5.1 硬件电路系统总体设计 |
| 5.2 控制电路设计 |
| 5.2.1 TMCC160功能简介 |
| 5.2.2 系统时钟 |
| 5.2.3 EEPROM |
| 5.3 电源电路 |
| 5.4 功率管驱动电路 |
| 5.4.1 六臂全桥驱动电路原理 |
| 5.4.2 NMOS驱动的自举电路 |
| 5.4.3 MOSFET选型 |
| 5.4.4 外围电阻设计 |
| 5.4.5 功率驱动电路设计 |
| 5.5 保护电路 |
| 5.6 采样电路 |
| 5.6.1 基于AD8418的电流检测原理 |
| 5.6.2 基于AD8418的电流采样电路设计 |
| 5.7 通讯电路 |
| 5.8 电磁兼容及PCB走线设计 |
| 5.8.1 强电部分电磁兼容性设计 |
| 5.8.2 弱电部分电磁兼容性设计 |
| 5.9 本章小结 |
| 第六章 实验分析 |
| 6.1 试验平台 |
| 6.2 驱动器性能测试实验 |
| 6.3 无刷直流电机参数辨识实验 |
| 6.4 电流环参数整定实验 |
| 6.4.1 基于IMC-PID的参数整定实验 |
| 6.4.2 基于NN-IMC-PID的参数整定实验 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（6）基于改进小反射理论的多频/宽带阻抗变换方法及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 背景与意义 |
| 1.2 研究现状 |
| 1.2.1 多频/宽带阻抗变换 |
| 1.2.2 多频/宽带阻抗变换应用 |
| 1.3 主要工作 |
| 1.4 章节安排 |
| 第二章 传统和改进小反射理论 |
| 2.1 引言 |
| 2.2 传统小反射理论及其应用 |
| 2.2.1 单节阻抗变换传输线的反射系数 |
| 2.2.2 多节阻抗变换传输线的反射系数 |
| 2.2.3 二项式多节传输线阻抗变换 |
| 2.2.4 切比雪夫多节传输线阻抗变换 |
| 2.3 MSRT中的近似反射系数 |
| 2.3.1 多频/宽带实数-实数阻抗变换 |
| 2.3.2 多频/宽带实数-复数阻抗变换 |
| 2.4 MSRT中矩阵约束方程的构建 |
| 2.5 MSRT中参考频率和传输线节数选择 |
| 2.5.1 指定匹配频率镜像频率上的回波损耗 |
| 2.5.2 参考频率和传输线节数选取 |
| 2.6 MSRT与传统小反射理论比较 |
| 2.7 本章总结 |
| 第三章 多频实数-实数阻抗变换方法 |
| 3.1 引言 |
| 3.2 小阻抗变换比多频实数-实数阻抗变换 |
| 3.2.1 N频阻抗变换中参考频率选取及约束方程构建 |
| 3.2.2 小阻抗变换比N频实数-实数阻抗变换设计流程 |
| 3.2.3 小阻抗变换比多频实数-实数阻抗变换的设计、仿真与测试 |
| 3.3 任意频率和阻抗变换比的多频实数-实数阻抗变换 |
| 3.3.1 修正小反射系数映射关系式 |
| 3.3.2 基于映射关系的多频实数-实数阻抗变换 |
| 3.3.3 误差分析 |
| 3.3.4 设计、仿真与测试 |
| 3.4 本章总结 |
| 第四章 多频复数-复数阻抗变换方法 |
| 4.1 引言 |
| 4.2 基于MSRT的等效变换 |
| 4.2.1 多频实数-实数和实数-复数阻抗变换之间的等效变换 |
| 4.2.2 多频实数–复数和复数–复数阻抗变换之间的近似等效变换 |
| 4.3 N-频复数-复数阻抗变换 |
| 4.3.1 基于等阻抗变换比的级联子阻抗变换器 |
| 4.3.2 基于等阻抗变换比的复数-复数子阻抗变换器设计 |
| 4.3.3 误差分析 |
| 4.4 特殊N频实数-复数阻抗变换的简化设计 |
| 4.4.1 子阻抗变换器约束方程 |
| 4.4.2 子阻抗变换器设计 |
| 4.4.3 约束方程复杂度 |
| 4.5 设计、仿真与测试 |
| 4.6 本章总结 |
| 第五章 宽带实数-复数阻抗变换方法 |
| 5.1 引言 |
| 5.2 基于一般性MSRT实现的宽带阻抗变换 |
| 5.3 结构紧凑型宽带阻抗变换 |
| 5.3.1 宽带阻抗变换匹配级 |
| 5.3.2 宽带阻抗变换负载变换级 |
| 5.3.3 宽带实数-复数阻抗变换设计流程图 |
| 5.4 设计、仿真与测试 |
| 5.4.1 容感性负载阻抗变换 |
| 5.4.2 感性负载阻抗变换 |
| 5.4.3 容性负载阻抗变换 |
| 5.5 本章总结 |
| 第六章 多频/宽带功率分配/合路器 |
| 6.1 引言 |
| 6.2 基于双节耦合线结构的传统双频功率分配/合路器 |
| 6.3 N频Wilkinson功率分配/合路器 |
| 6.3.1 仅含单个隔离电阻的两级电路结构 |
| 6.3.2 Z_(moL)(θ_m) = Z_(meL)(θ_m) = 2Z_0条件下的一般性设计 |
| 6.3.3 Z_(moL)(θm) ≈ Z_(meL)(θ_m) = 2Z_0条件下的简化设计 |
| 6.3.4 设计流程 |
| 6.3.5 设计、仿真与测试 |
| 6.4 紧凑型宽带Wilkinson功率分配/合路器 |
| 6.4.1 隔离单元 |
| 6.4.2 匹配单元 |
| 6.4.3 设计流程 |
| 6.4.4 设计、仿真与测试 |
| 6.5 本章总结 |
| 第七章 多频高效功率放大器 |
| 7.1 引言 |
| 7.2 功率放大器选型 |
| 7.3 功率放大器建模 |
| 7.3.1 建模方法和嵌入ADS方法选择 |
| 7.3.2 改进型功率放大器小信号等效电路 |
| 7.3.3 改进型功率放大器小信号等效电路寄生参数提取 |
| 7.3.4 改进型功率放大器小信号等效电路本征参数提取 |
| 7.3.5 小信号等效电路验证 |
| 7.3.6 基于栅压/漏压区域划分和最小二乘法的大信号漏极电流参数提取 |
| 7.3.7 大信号非线性电容参数提取 |
| 7.3.8 功率放大器大信号等效电路验证 |
| 7.3.9 功率放大器建模流程 |
| 7.4 基于功率放大器仿真模型和MSRT的三频F~(-1) 类功率放大器 |
| 7.4.1 功率放大器稳定性电路 |
| 7.4.2 F~(-1)类功率放大器偏置电路和谐波阻抗控制电路 |
| 7.4.3 基于源牵引(sourcepull)和负载牵引(loadpull)的最佳基波源阻抗和负载阻抗 |
| 7.4.4 基于MSRT的三频高效功率放大器设计 |
| 7.4.5 仿真与讨论 |
| 7.5 本章总结 |
| 第八章 总结与展望 |
| 8.1 研究总结 |
| 8.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（7）传感器动态特性建模方法及模型不确定度研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题研究的背景、目的及意义 |
| 1.2 课题所涉及国内外研究现状 |
| 1.2.1 传感器动态特性建模方法研究现状 |
| 1.2.2 传感器动态特性模型不确定度相关研究现状 |
| 1.3 论文章节安排 |
| 1.4 本章小结 |
| 2.传感器动态特性及动态校准 |
| 2.1 传感器动态特性描述 |
| 2.1.1 微分方程 |
| 2.1.2 差分方程 |
| 2.1.3 传递函数 |
| 2.2 传感器动态性能指标 |
| 2.2.1 时间域动态性能指标 |
| 2.2.2 频率域动态性能指标 |
| 2.3 动态误差来源及分析 |
| 2.4 传感器的动态校准 |
| 2.5 本章小结 |
| 3.传感器动态特性建模方法研究 |
| 3.1 线性模型阶次判定 |
| 3.2 最小二乘参数辨识方法 |
| 3.2.1 一般最小二乘法 |
| 3.2.2 递推最小二乘法 |
| 3.2.3 递推增广最小二乘法 |
| 3.2.4 广义最小二乘法 |
| 3.2.5 递推辅助变量法 |
| 3.3 递推极大似然法 |
| 3.4 粒子群优化算法 |
| 3.5 Hammerstein非线性系统辨识 |
| 3.6 BP神经网络模型辨识 |
| 3.7 系统仿真实例 |
| 3.7.1 线性系统仿真 |
| 3.7.2 Hammerstein非线性系统仿真 |
| 3.7.3 BP神经网络模型仿真 |
| 3.8 本章小结 |
| 4.传感器动态特性模型不确定度研究 |
| 4.1 不确定度评定方法 |
| 4.1.1 基于GUM法的评定方法 |
| 4.1.2 基于蒙特卡罗法的评定方法 |
| 4.2 传感器动态特性模型的不确定度 |
| 4.3 线性模型不确定度仿真 |
| 4.4 本章小结 |
| 5.传感器动态特性建模及模型不确定度的应用 |
| 5.1 压力传感器的动态特性建模与补偿 |
| 5.2 压力传感器的动态特性模型不确定度 |
| 5.3 热电偶的动态特性建模与补偿 |
| 5.4 本章小结 |
| 6.总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（8）基于EKF的船舶艏向模型辨识与L2闭环成形滤波控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外参数辨识研究现状 |
| 1.2.1 国内参数辨识研究现状 |
| 1.2.2 国外参数辨识研究现状 |
| 1.3 国内外船舶航向控制研究现状 |
| 1.3.1 国内船舶航向控制研究现状 |
| 1.3.2 国外船舶航向控制研究现状 |
| 1.4 本文的主要内容及章节安排 |
| 2 基础理论 |
| 2.1 船舶运动数学模型 |
| 2.1.1 坐标系 |
| 2.1.2 船艏向运动学模型 |
| 2.1.3 船艏向响应型数学模型 |
| 2.2 系统辨识理论 |
| 2.2.1 系统辨识的定义 |
| 2.2.2 系统辨识的基本原理 |
| 2.2.3 系统辨识的步骤 |
| 2.3 闭环增益成形控制算法 |
| 2.4 本章小结 |
| 3 船舶艏向模型辨识 |
| 3.1 辨识算法 |
| 3.1.1 递推最小二乘算法辨识 |
| 3.1.2 扩展卡尔曼滤波辨识 |
| 3.2 船舶艏向模型参数辨识 |
| 3.2.1 递推最小二乘法辨识船舶模型 |
| 3.2.2 扩展卡尔曼滤波辨识船舶模型 |
| 3.3 本章小结 |
| 4 船舶航向控制器设计 |
| 4.1 L_2闭环成形滤波控制器理论 |
| 4.2 Lyapunov函数控制器设计 |
| 4.3 基于L_2增益的船舶航向非线性鲁棒控制器设计 |
| 4.4 本章小结 |
| 5 实验部分 |
| 5.1 实验环境 |
| 5.2 船舶模型辨识实验 |
| 5.2.1 两种算法辨识船舶模型实验 |
| 5.2.2 物理仿真实验 |
| 5.3 控制器实船实验 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（9）非线性时滞定常系统多维泰勒网辨识与预测控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 非线性时滞系统辨识研究现状 |
| 1.2.2 非线性时滞系统控制方法研究现状 |
| 1.2.3 非线性时滞系统预测控制研究现状 |
| 1.2.4 带有外界干扰的非线性时滞系统预测控制研究现状 |
| 1.2.5 非线性时滞系统的稳定性分析研究现状 |
| 1.2.6 多维泰勒网研究现状 |
| 1.3 尚待解决的问题及提升方案 |
| 1.4 本文的主要研究内容和创新点 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的创新点 |
| 1.5 本文的结构安排 |
| 第二章 多维泰勒网与基于多维泰勒网的辨识方案研究 |
| 2.1 前言 |
| 2.2 系统描述 |
| 2.2.1 单入单出离散非线性时滞系统 |
| 2.2.2 多入多出离散非线性时滞系统 |
| 2.3 多维泰勒网 |
| 2.3.1 多维泰勒网模型 |
| 2.3.2 多维泰勒网控制器 |
| 2.4 系统辨识方案 |
| 2.5 SISO非线性时滞系统的多维泰勒网辨识方案 |
| 2.5.1 辨识模型 |
| 2.5.2 极限学习机算法 |
| 2.5.3 最优多维泰勒网辨识模型 |
| 2.6 MIMO非线性时滞系统的多维泰勒网辨识方案 |
| 2.6.1 辨识模型 |
| 2.6.2 多维泰勒网辨识模型学习算法 |
| 2.7 仿真实验 |
| 2.7.1 SISO仿真算例 |
| 2.7.2 MIMO仿真算例 |
| 2.8 本章小结 |
| 第三章 基于多维泰勒网的超前d步预测模型研究 |
| 3.1 前言 |
| 3.2 系统描述 |
| 3.2.1 单入单出离散非线性时滞系统 |
| 3.2.2 多入多出离散非线性时滞系统 |
| 3.3 基于多维泰勒网的超前d步预测模型研究 |
| 3.3.1 非递推d步超前多维泰勒网预测模型 |
| 3.3.2 递推d步超前多维泰勒网预测模型 |
| 3.3.3 多维泰勒网预测模型学习算法 |
| 3.4 仿真实验 |
| 3.4.1 单入单出非线性时滞系统 |
| 3.4.2 多入多出非线性时滞系统 |
| 3.5 本章小结 |
| 第四章 基于多维泰勒网的单入单出非线性时滞系统预测控制 |
| 4.1 引言 |
| 4.2 非线性时滞系统描述 |
| 4.3 基于多维泰勒网的非线性时滞系统预测控制方案 |
| 4.3.1 预测模型 |
| 4.3.2 多维泰勒网控制器设计 |
| 4.3.3 稳定性分析 |
| 4.4 基于多维泰勒网的非线性时滞系统预测控制综合设计方案 |
| 4.5 仿真实验 |
| 4.5.1 仿真算例1 |
| 4.5.2 仿真算例2 |
| 4.5.3 仿真实例 |
| 4.6 本章小结 |
| 第五章 基于多维泰勒网的单入单出非线性时滞系统预测补偿控制 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.3 多维泰勒网预测控制方案 |
| 5.3.1 多维泰勒网预测模型 |
| 5.3.2 多维泰勒网预测控制律 |
| 5.3.3 稳定性分析 |
| 5.3.4 多维泰勒网预测控制整体方案 |
| 5.4 多维泰勒网补偿器设计 |
| 5.4.1 多维泰勒网补偿器 |
| 5.4.2 多维泰勒网补偿器参数调整 |
| 5.5 多维泰勒网预测补偿控制整体方案 |
| 5.6 仿真实验 |
| 5.6.1 仿真算例 |
| 5.6.2 仿真实例 |
| 5.7 本章小结 |
| 第六章 基于多维泰勒网的多入多出非线性时滞系统递推d步预测控制 |
| 6.1 引言 |
| 6.2 系统描述 |
| 6.3 多维泰勒网递推预测模型 |
| 6.4 多维泰勒网控制器设计 |
| 6.4.1 多维泰勒网控制器 |
| 6.4.2 多维泰勒网控制器参数调整 |
| 6.4.3 稳定性分析 |
| 6.5 多入多出非线性时滞系统的多维泰勒网递推d步超前预测控制整体方案 |
| 6.6 仿真实验 |
| 6.7 本章小结 |
| 第七章 基于多维泰勒网的多入多出非线性时滞系统辨识与预测控制 |
| 7.1 引言 |
| 7.2 系统描述 |
| 7.3 未知时滞辨识 |
| 7.4 递推d步超前多维泰勒网预测控制 |
| 7.4.1 递推d步超前多维泰勒网预测模型 |
| 7.4.2 多维泰勒网预测控制律 |
| 7.4.3 稳定性分析 |
| 7.4.4 多入多出非线性时滞系统递推d步超前多维泰勒网预测控制总体方案 |
| 7.5 多入多出非线性时滞系统未知时滞辨识与递推d步超前多维泰勒网预测控制整体方案 |
| 7.6 仿真实验 |
| 7.6.1 仿真算例 |
| 7.6.2 仿真实例 |
| 7.7 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 论文中有待进一步研究的问题 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间发表、录用或已投出的学术论文 |
| 致谢 |
（10）基于特征模型的高速列车全系数自适应控制（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 |
| 1.2.1 高速列车建模现状 |
| 1.2.2 高速列车控制现状 |
| 1.3 论文研究内容及结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文结构 |
| 2 高速列车动力学理论 |
| 2.1 列车牵引力 |
| 2.1.1 轮周牵引力的产生 |
| 2.1.2 粘着牵引力 |
| 2.2 列车阻力 |
| 2.2.1 基本阻力 |
| 2.2.2 附加阻力 |
| 2.3 列车制动力 |
| 2.3.1 制动力的产生 |
| 2.3.2 制动力的计算 |
| 2.4 列车动力学模型 |
| 2.5 本章小结 |
| 3 特征建模及其参数估计 |
| 3.1 特征模型的基本概念 |
| 3.2 高速列车特征建模 |
| 3.2.1 非线性系统特征建模理论 |
| 3.2.2 高速列车特征建模 |
| 3.3 特征参数辨识方法 |
| 3.3.1 加权递推最小二乘法的基本原理 |
| 3.3.2 时变系统的递推最小二乘法参数辨识方法 |
| 3.4 参数估计仿真及模型验证 |
| 3.5 本章小结 |
| 4 高速列车运行速度全系数自适应控制 |
| 4.1 基于特征模型的自适应控制律 |
| 4.1.1 维持/跟踪目标输出的控制律 |
| 4.1.2 误差反馈控制律 |
| 4.2 高速列车的理想速度曲线 |
| 4.3 速度跟踪控制仿真与分析 |
| 4.3.1 高速列车的黄金分割组合自适应控制 |
| 4.3.2 高速列车的非线性黄金分割组合自适应控制 |
| 4.4 本章小结 |
| 5 考虑滞后的全系数自适应控制 |
| 5.1 预测模型 |
| 5.1.1 支持向量机 |
| 5.1.2 最小二乘支持向量机 |
| 5.2 滚动时间窗 |
| 5.3 参数寻优 |
| 5.4 仿真分析 |
| 5.4.1 预测模型仿真 |
| 5.4.2 考虑滞后跟踪控制仿真 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 工作总结 |
| 6.2 下一步工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、非线性递推部分最小二乘及其应用（论文参考文献）
- [1]多变量系统的耦合递推参数估计[D]. 刘沁瑶. 江南大学, 2021(01)
- [2]双线性参数系统的迭代辨识研究[D]. 陈梦婷. 江南大学, 2021(01)
- [3]在线序列极限学习机及其应用研究[D]. 程丽. 兰州大学, 2021(09)
- [4]面向工业机器人的拉线式运动学标定系统研究[D]. 黎源. 昆明理工大学, 2021(01)
- [5]BLDC系统伺服参数自适应整定研究[D]. 柴华. 电子科技大学, 2021(01)
- [6]基于改进小反射理论的多频/宽带阻抗变换方法及其应用[D]. 柳良. 上海交通大学, 2020(01)
- [7]传感器动态特性建模方法及模型不确定度研究[D]. 王志超. 中北大学, 2020(09)
- [8]基于EKF的船舶艏向模型辨识与L2闭环成形滤波控制[D]. 曹伟男. 大连海事大学, 2020(01)
- [9]非线性时滞定常系统多维泰勒网辨识与预测控制[D]. 李晨龙. 东南大学, 2020
- [10]基于特征模型的高速列车全系数自适应控制[D]. 汤凯谊. 兰州交通大学, 2020(01)