系统辨识PPT\第8章 优化算法参数辨识\8.12 基于粒子群算法的非线性系统参数辨识8.12基于粒子群算法的非线性系统参数辨识8.12基于粒子群算法的非线性系统参数辨识以下面三个例子为例,说明粒子群算法在非线性系统中的参数辨识中的应用。8.12.1辨识非线性静态模型利用差分进化算法辨识非线性静态模型参数:(8.47)辨识参数集为,真实参数为采用实数编码,辨识误差指标取:(8.48)其中N为测试数据的数量,yi为模型第i个测试样本的输出。8.12.1辨识非线性静态模型首先运行模型测试程序chap8_10.m,对象的输入样本区间为[-44]之间,步长为0.10,由式(8.31)计算样本输出值,共有81...
8.12基于粒子群算法的非线性系统参数辨识8.12基于粒子群算法的非线性系统参数辨识以下面三个例子为例,说明粒子群算法在非线性系统中的参数辨识中的应用。8.12.1辨识非线性静态模型利用差分进化算法辨识非线性静态模型参数:(8.47)辨识参数集为,真实参数为采用实数编码,辨识误差指标取:(8.48)其中N为测试数据的数量,yi为模型第i个测试样本的输出。8.12.1辨识非线性静态模型首先运行模型测试程序chap8_10.m,对象的输入样本区间为[-44]之间,步长为0.10,由式(8.31)计算样本输出值,共有81对输入输出样本对。8.12.1辨识非线性静态模型将待辨识的参数向量记为X,取样本个数为Size=200,最大迭代次数G=200,采用实数编码,四个参数的搜索范围均为[0,5]。粒子运动最大速度为Vmax=1.0,即速度范围为[-1,1]。学习因子取c1=1.3,c2=1.7,采用线性递减的惯性权重,惯性权重采用从0.90线性递减到0.10的策略。目标函数的倒数作为粒子群的适应度函数。将辨识误差指标直接作为粒子的目标函数,越小越好。8.12.1辨识非线性静态模型按式(8.25)和式(8.26)更新粒子的速度和位置,产生新种群,辨识误差函数J的优化过程如图8-19所示。辨识结果为最终的辨识误差指标为。8.12.1辨识非线性静态模型8.12.1辨识非线性静态模型仿真程序模型测试程序:chap8_10.m辨识程序(1)粒子群算法辨识程序:chap8_11.m(2)目标函数计算程序:chap8_11obj.m8.12.2辨识非线性动态模型利用差分进化算法辨识非线性动态模型参数:(8.33)辨识参数集为,真实参数为设待辨识参数K、T1、T2分布在[0,30]之间,T分布在[0,1]之间。8.12.2辨识非线性动态模型采用实数编码,辨识误差指标取:(8.34)其中N为测试数据的数量,yi为模型第i个测试样本的输出。8.12.2辨识非线性动态模型首先运行模型测试程序chap8_12.m,对象的输入信号取伪随机二进制序列(PRBS)为输入,伪随机二进制序列信号的产生原理见第二章的2.4节,如图8-20所示,从而得到用于辨识的模型测试数据。8.12.2辨识非线性动态模型将待辨识的参数向量记为X,取粒子群个数为Size=80,最大迭代次数G=100,采用实数编码,向量X中四个参数的搜索范围为。粒子运动最大速度为Vmax=1.0,即速度范围为[-1,1]。学习因子取c1=1.3,c2=1.7,采用线性递减的惯性权重,惯性权重采用从0.90线性递减到0.10的策略。目标函数的倒数作为粒子群的适应度函数。将辨识误差指标直接作为粒子的目标函数,越小越好。8.12.2辨识非线性动态模型按式(8.25)和式(8.26)更新粒子的速度和位置,产生新种群,辨识误差函数J的优化过程如图8-21所示。辨识结果为最终的辨识误差指标为。8.12.2辨识非线性动态模型8.12.2辨识非线性动态模型8.12.2辨识非线性动态模型仿真程序1模型测试程序模型测试主程序:chap8_12.m伪随机二进制序列产生程序:chap8_12prbs.m2辨识程序(1)粒子群算法辨识程序:chap8_13.m(2)目标函数计算程序:chap8_13obj.m8.12.3基于粒子群算法的VTOL飞行器参数辨识VTOL(VerticalTake-OffandLanding)飞行器即垂直起降飞行器,一般指战斗机或轰炸机。该飞行器可实现飞行器自由起落,从而突破跑道的限制,具有重要的军用价值。如图8-22所示为X—Y平面上的VTOL受力图。由于只考虑起飞过程,因此只考虑垂直方向Y轴和横向X轴,忽略了前后运动(即Z方向)。X—Y为惯性坐标系,Xb—Yb为飞行器的机体坐标系。8.12.3基于粒子群算法的VTOL飞行器参数辨识根据图8-22,可建立VTOL动力学平衡方程为(8.35)8.12.3基于粒子群算法的VTOL飞行器参数辨识其中T和l为控制输入,即飞行器底部推力力矩和滚动力矩,g为重力加速度,是描述T和l之间耦合关系的系数。由式(8.35)可见,该模型为两个控制输入控制三个状态,为典型的欠驱动系统。模型中包括三个物理参数,即m、和。8.12.3基于粒子群算法的VTOL飞行器参数辨识令,则式(8.35)可表示为(8.36)8.12.3基于粒子群算法的VTOL飞行器参数辨识令,则(8.37)8.12.3基于粒子群算法的VTOL飞行器参数辨识上式可表示为由于则得8.12.3基于粒子群算法的VTOL飞行器参数辨识即(8.38)上式可写成下面的形式(8.39)8.12.3基于粒子群算法的VTOL飞行器参数辨识其中由及可知,参数之间线性无关,因此,可采用智能搜索算法进行参数辨识。8.12.3基于粒子群算法的VTOL飞行器参数辨识采用实数编码,辨识误差指标取:(8.40)其中N为测试数据的数量,。仿真中,取真实参数为辨识参数集为8.12.3基于粒子群算法的VTOL飞行器参数辨识首先运行模型测试程序chap8_14input.m,对象的输入信号取正弦和余弦信号,从而得到用于辨识的模型测试数据,并将数据保存在para_file.mat中。8.12.3基于粒子群算法的VTOL飞行器参数辨识在粒子群算法仿真程序中,将待辨识的参数向量记为.取粒子群个数为Size=80,最大迭代次数G=100,采用实数编码,待辨识参数m、和分别分布在[0,100]、[0,10]和[0,200]。粒子运动最大速度为Vmax=1.0,即速度范围为[-1,1]。学习因子取c1=1.3,c2=1.7,采用线性递减的惯性权重,惯性权重采用从0.90线性递减到0.10的策略。将辨识误差直接作为粒子的目标函数,越小越好。8.12.3基于粒子群算法的VTOL飞行器参数辨识按式(8.25)和式(8.26)更新粒子的速度和位置,产生新种群,辨识误差函数J的优化过程如图8-23所示。辨识结果为最终的辨识误差指标为。8.12.3基于粒子群算法的VTOL飞行器参数辨识8.12.3基于粒子群算法的VTOL飞行器参数辨识仿真程序:1模型测试程序信号产生程序:chap8_14input.m模型测试主程序:chap8_14sim.mdl模型程序:chap8_14plant.m2辨识程序(1)粒子群算法辨识程序:chap8_15pso.m(2)目标函数计算程序:chap8_15obj.m
本文档为【系统辨识PPT\第8章 优化算法参数辨识\8.12 基于粒子群算法的非线性系统参数辨识】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑,
图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。