国产91青青成人a在线/在线视频成人/aaa成人永久在线观看视频/深夜草莓视频app

     本書從塊結構模型中間變量不可測量的角度出發，結合塊結構模型辨識的基本過程和特點，分析塊結構模型各串聯模塊在不同激勵信號作用下的特性，研究和設計組合式多源激勵信號，以解決塊結構模型的可辨識性問題和各模塊的參數估計分離問題。在此基礎上，系統地研究和提出能夠抑制干擾的塊結構復雜非線性工業過程辨識新方法，包括采用集成建模技術的串聯模塊建模方法、全新智能分離算法和模塊參數辨識算法、利用補償技術的塊結構非線性動態系統過程噪聲建模方法等，并利用隨機過程理論分析和比較提出方法的性能。本書緊密結合復雜工業過程控制的需要，解決塊結構模型中的難題，形成一種面向實際工業生產過程系統化的建模方法。

　　長期以來，我國產業結構不合理，往往設備已經實現了國產化，而控制系統和優化策略仍然采用國外技術，造成工業行業“重設備、輕優化控制”的現象，普遍存在“有殼無腦”的局面。隨著行業技術的發展，先進優化控制技術的重要性正逐步體現出來，已成為我國進一步實現節能增效和推進工業可持續發展的突破口。化工、煉油、冶金、輕工、建材和制藥等過程工業是我國國民經濟的重要支柱產業，要想在全球化的大趨勢下始終保持強大的競爭力，必須加強先進優化和控制技術的研發與技術儲備。
　　過程工業是通過物理變化和化學變化進行的生產過程，在新物質生成的同時伴隨有能量的吸收與釋放，是一個復雜的大工業系統，各生產裝置之間存在著復雜的耦合和制約關系。各生產過程只有從實時性和整體性上全局協調，才能保證整個生產裝置平穩、高效、安全的運行，這對工業過程的優化和控制提出了更高的要求。模型是現代工業過程先進優化和控制技術的基礎。在工業過程生產裝置中，由于原料特性變化較為頻繁，參與過程實時控制的模型不僅要簡單、準確，而且要具有較好的外推性和自適應性，能夠正確反映過程的機理特性。這涉及過程對象的非線性、時變性、不確定性、強耦合和大時滯等內在復雜的機理問題，客觀環境和人為因素。隨著過程工業的大型化、綜合化和復雜化，上述因素使得建模的難度越來越大。工業過程的建模應當從優化與控制的實際需求出發，突破傳統的建模方法和辨識算法結構，以較為寬廣的視野綜合運用人工智能、現代統計理論、控制理論和優化技術等來有效地實現。
　　目前，在非線性動態建模方面，一類新穎的塊結構非線性動態模型是其中的一個研究熱點，它同時結合了動態線性模型和靜態（無記憶）非線性函數模型，具有較易辨識、計算量少、能較好地反映過程特征的特點，適合作為過程控制模型使用。按其具體連接形式，可分為Hammerstein模型、Wiener模型、Hammerstein-Wiener模型和Wiener-Hammerstein模型。Hammerstein-Wiener模型（簡稱為N-L-N模型）包含Hammerstein模型和Wiener模型結構，比這兩種模型中的任意一種都更接近實際工業過程中的非線性特性。這種模型能較好地描述工業設備和過程，如精餾塔、熱交換器、連續攪拌反應釜（continuousstirredtankreactor，CSTR）、PTA生產中的漿料配置系統以及具有冪函數、死區、開關等特性的非線性過程。更為重要的是，可以利用模型的特殊結構把非線性控制問題簡化為線性模型預測控制問題，解決了傳統非線性控制方法計算量大、收斂性和穩定性不能得到保證等諸多問題，從而可以直接利用線性控制系統中的成熟理論，便于現場操作人員理解。因此，塊結構模型是工業過程中最有效的模型之一，也是研究的熱點。

《智能科學技術著作叢書》序
前言
第一部分 塊結構模型
第1章 塊結構模型概述
1.1 引言
1.2 靜態非線性環節與動態線性環節的同步辨識法
1.2.1 過參數化法
1.2.2 子空間法
1.2.3 調制函數法
1.2.4 直接辨識法
1.3 靜態非線性環節與動態線性環節的分步辨識法
1.3.1 迭代法
1.3.2 分離最小二乘法
1.3.3 多信號源法
1.3.4 盲辨識法
1.3.5 頻域法
1.3.6 隨機法
1.4 基于Hammerstein模型的控制系統設計
1.5 塊結構模型研究中存在的關鍵問題
1.6 全書概況
參考文獻
第二部分 基于二進制—隨機復合信號源的塊結構模型辨識方法
第2章 基于二進制—隨機復合信號源的Hammerstein模型辨識方法
2.1 基于泰勒級數展開法的Hammerstein模型辨識
2.1.1 基于神經模糊的Hammerstein模型
2.1.2 基于神經模糊Hammerstein模型的辨識
2.1.3 實驗結果
2.1.4 小結
2.2 基于Lyapunoy方法的Hammerstein模型辨識
2.2.1 神經模糊Hammerstein模型
2.2.2 神經模糊Hammerstein模型辨識
2.2.3 實驗結果
2.2.4 小結
參考文獻
第3章 基于二進制—隨機復合信號源的Hammerstein-Wiener模型辨識方法
3.1 基于二進制—隨機復合信號源的Hammerstein-Wiener模型
3.1.1 神經模糊Hammerstein-Wiener模型
3.1.2 神經模糊Hammerstein-Wiener模型各串聯環節的分離
3.1.3 基于神經模糊Hammerstein-Wiener模型的控制系統
3.1.4 實驗結果
3.1.5 小結
3.2 基于兩階段復合信號的Hammerstein-Wiener模型
3.2.1 基于兩階段復合信號的神經模糊Hammerstein-Wiener模型
3.2.2 實驗結果
3.2.3 小結
參考文獻
第4章 含過程噪聲的塊結構模型二進制一隨機復合信號源辨識方法
4.1 基于輔助模型遞推最小二乘法的Hammerstein模型
4.1.1 一類含過程噪聲的Hammerstein模型
4.1.2 基于輔助模型遞推最小二乘法的Hammerstein模型多信號源辨識方法
4.1.3 實驗結果
4.1.4 小結
4.2 基于偏差補償遞推最小二乘法的Hammerstein-Wiener模型
4.2.1 一類含過程噪聲的Hammerstein-Wiener模型
4.2.2 基于偏差補償遞推最小二乘法的Hammerstein-Wiener模型多信號源辨識方法
4.2.3 實驗結果
4.2.4 小結
4.3 基于輔助模型多新息隨機梯度法的Hammerstein模型
4.3.1 基于輔助模型多新息隨機梯度法的Hammerstein模型多信號源辨識方法
4.3.2 實驗結果
4.3.3 小結
參考文獻
第三部分 基于可分離信號源的塊結構模型辨識方法
第5章 基于可分離信號源的多輸入多輸出Hammerstein模型辨識方法
5.1 多輸入多輸出Hammerstein模型
5.2 基于可分離信號源的多輸入多輸出Hammerstein模型辨識
5.2.1 基于神經模糊的多輸人多輸出Hammerstein模型
5.2.2 基于可分離信號源的多輸入多輸出Hammerstein模型辨識
5.2.3 實驗結果
5.2.4 小結
參考文獻
第6章 含過程噪聲的多輸入多輸出Hammerstein模型可分離信號源辨識方法
6.1 含過程噪聲的多輸人多輸出Hammerstein模型辨識
6.1.1 含過程噪聲的多輸人多輸出Hammerstein模型
6.1.2 含過程噪聲的多輸入多輸出Hammerstein模型辨識
6.1.3 實驗結果
6.1.4 小結
6.2 基于可分離信號的Hammerstein輸出誤差滑動平均系統辨識
6.2.1 Hammerstein輸出誤差滑動平均系統
6.2.2 神經模糊Hammerstein輸出誤差滑動平均系統辨識
6.2.3 實驗結果
6.2.4 小結
參考文獻
第7章 含過程噪聲的Hammerstein-Wiener模型可分離信號源辨識方法
7.1 基于可分離信號的Hammerstein-Wiener模型辨識方法
7.1.1 神經模糊Hammerstein-Wiener模型
7.1.2 神經模糊Hammerstein-Wiener模型辨識方法
7.1.3 基于Hammerstein-Wiener模型的控制系統設計
7.1.4 實驗結果
7.1.5 小結
7.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener模型可分離信號源辨識
7.2.1 噪聲干擾下的FIR Hammerstein-Wiener模型
7.2.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener辨識
7.2.3 實驗結果
7.2.4 小結
參考文獻