利用ＢＰ反馈神经网络对高速转子动力系统的稳定性进行辨识，该问题的关键是考虑由轴承间隙影响而产生的非稳定性问题。给出相应的多参数稳定性问题的公式以及相应的一系列化为三维参数的代数不等式，利用有监督的学习神经网络将转子动力系统通常较宽范围的三维物理参数映射成一狭窄的区域。利用转子动力系统的解析仿真推导出系统的二值状态不等式，构造隐藏层和函数链两种神经网络。利用所选定的旋转系统的参数值进一步训练该函数链

建立了回热器的有源网络模型,并以毛细管数作为辨识参数对网络的H矩阵进行了系统辨识.

HVAC领域的节能设计和最优化控制一直是目前研究领域的热门话题,尤其由于直燃式溴化锂机组运行中的能耗问题,使得对它的模型研究更显得重要.由于这个系统高度的非线性,耦合性,多变量性,传统的辨识方法不能很好的解决这个问题,所以本文提出采用神经网络方法来辨识这样一种模型系统,并且结合实际的实验数据和厂家提供的性能数据,利用前馈型网络结合BP算法辨识得到了一个可以很好模拟实验的神经网络模型.

针对回归神经网络辨识和建立非线性动态系统模型的问题,研究非线性状态空间描述的回归神经网络数学模型。讨论极小均方误差网络训练收敛准则,通过研究Kalman滤波估计公式中的随机变量,提出一种参数增广的回归神经网络非线性状态方程,无导数的Kalman滤波器用于增广参数估计,人工白噪声强迫网络学习,更新网络权值,避免了扩展Kalman滤波器计算Jacobian信息和基于递度学习算法收敛慢的问题。在电液伺服系统辨识建模的应用中表明,回归神经网络较好地跟踪了液压油缸压力变化,与扩展Kalman滤波估计学习算法相比,新的算法具有较快的收敛和精度。

高维、非线性气动弹性系统的模型降阶是当前气动弹性力学与控制领域的研究热点之一.然而国内外现有的非线性模型降阶方法仍存在辨识算法复杂、精度有待提高等问题.本研究提出了一种基于非线性状态空间辨识的跨音速气动弹性模型降阶方法.首先,该方法基于非定常空气动力的单位脉冲响应数据,采用特征系统实现算法对非线性状态空间模型的线性动力学部分进行系统辨识.其次,引入状态和控制输入的非线性函数,采用优化算法对非线性函数的系数矩阵进行优化,进而得到考虑非线性效应的空气动力降阶模型.为了验证该降阶模型在预测跨音速气动弹性力学行为的精确性,本文以三维机翼为研究对象,分别从基于非线性降阶模型的气动力辨识、跨声速颤振边界计算和极限环振荡预测三方面进行了算例验证,并与现有的模型降阶方法进行了对比,进一步说明...

在分析了永磁同步电机先验模型的基础上,引入线性二阶受控自回归模型。通过将系统辨识问题转化为优化问题,并引入综合学习策略粒子群优化算法实现了对二阶受控自回归模型参数的离线估计。为了验证模型的准确性和可靠性,在实际三轴运动控制平台上设计并完成了验证实验。实验结果表明,通过该方法获得的模型精度高,且能较好地表征永磁同步电机伺服控制系统的实际输入输出特性。

采用连续小波变换的方法，在大型结构模态参数辨识方面提出了系统化的辨识流程，并对相近的频率所造成的辨识难点提出了解决的办法。通过三自由度模型模态参数的辨识，表明连续小波变换对于大型结构的模态参数辨识准确度高，具有现实意义。

根据阀控缸电液位置伺服系统的组成,对系统中的阀控缸的数学模型进行了研究,并通过系统辨识的方法得到了阀控缸系统的闭环传递函数,控制器采用全维状态反馈,以二阶工程最佳为优化目标建立了系统的仿真模型.仿真结果表明该控制器实现了液压位置伺服系统的极点配置,完成了优化目标.表明全状态反馈控制能够提高液压伺服系统的位置跟踪精度,具有工程可行性.

模拟地震振动台系统是一个非线性系统，带有负载的系统更是一个非线性系统，但在系统的控制策略中，系统在工作点附近通常可以看作近似线性的。对系统的频率响应函数的估计通常使用H1估计器或H2估计器，H1估计器为欠估计，而H2估计器为过估计，二者估计的误差都比较大。因此对于模拟地震振动台系统该文采用一种介于二者中间的估计器Hm，其参数利用微分进化算法进行估计，使Hm更接近系统的真实频率响应函数H，从而减少了振动台系统迭代控制的次数，减小对负载特性的影响。

该文研究了遗传算法模型针对遗传算法的特点在隔代映射遗传算法基础上引入自适应策略建立了自适应遗传算法数学模型给出了具体算法流程。通过自适应策略使IP_GA中的交叉、变异概率能够根据函数适应度大小自动调节提高了收敛速度及解的质量。通过该算法对液压压力系统传递函数进行参数求解建立了液压系统的开环模型。利用Matlab/Simulink工具对开环模型进行仿真并与实测输出曲线对比验证了遗传算法求解液压伺服系统参数的可行性。同时通过分析仿真结果找出了材料试验机比例压力控制系统与伺服压力控制系统在辨识方法上的差别。