基于智能計算的非線性系統辨識算法研究及其應用

莊麗艷

摘 要：在智能計算中，非線性系統是智能計算生產系統中重要的組成部分。隨著生產水平以及規模的不斷提升，其生產系統結構的復雜性也逐漸提升。同時非線性的特性也越來越多樣化，非線性系統越來越受到人們的關注與青睞，但從目前的使用情況來看，簡單的非線性已無法滿足當下智能計算的生產需求，因此，對智能計算的非線性系統識別算法進行進一步研究十分重要。該文主要對智能計算的非線性系統辨識算法研究及其應用進行詳細闡述，以便對智能計算的非線性系統辨識帶來一定的啟發。

關鍵詞：智能計算 非線性系統 辨識算法 研究應用

中圖分類號：TP13 文獻標識碼：A 文章編號：1672-3791（2015）09（b）-0060-02

在智能計算的非線性系統辨識算法中，主要采用模塊化非線性模型，因為其不僅內部連接方便，而且結構簡單，是使用最多且最普遍的一種模型。其所包括的模型類型有四種，即W-H模型、H-W模型、W模型和H模型。由于熱工系統具有結構復雜性以及規模巨大性，其生產過程中需采用多樣化的非線性系統。因此在熱工系統中，一定要對檢測以及執行變送器進行充分研究，確保其非線性特性與熱工系統的生產需求相符合。

1 非線性系統中執行器的基本概況

在非線性系統中，執行器主要包括兩種，一種是控制機構，另一種是執行機構。在執行器中，控制機構一般包括調節閥、截止閥等，執行機構主要包括氣動、液動、電動，熱工系統的執行器主要使用方法如表1所示。

2 非線性系統辨識概述

2.1 非線性系統辨識的必要性

工業企業是推動社會經濟發展的核心力量，也是推動我國經濟發展的重要組成部分，工業企業想要發展，其生產系統必須滿足經濟性與安全性要求。但是由于工業企業生產系統的結構比較復雜，想要提升工業企業生產系統控制的有效性，最主要的方法就是充分研究非線性系統的辨識性。辨識技術可幫助人們在表述被研究對象時，盡可能準確定位其之間的定量關系，只有企業的生產系統與智能計算的辨識系統需求相符合，才能實現企業生產系統的經濟性與安全性。

2.2 非線性系統辨識的定義

系統辨識又稱為系統同定和系統識別，《中國大百科全書》對系統辨識的解釋為根據系統輸入或輸出時間函數，確定系統行為的數學模型，是現代控制理論的一個分支。辨識是一種實驗統計的建模方法，即系統辨識主要研究怎樣利用對位置系統的實驗數據或在線運行數據建立系統的數學模型，同時也是在輸入或輸出數據中提取被研究對象數學模型的一種統計方法。

2.3 非線性系統辨識的應用

非線性系統辨識的應用主要表現在以下幾方面。（1）進行預報。準確的預報對企業發展具有非常重要的意義，其有利于企業制定科學、合理的決策方案；（2）進行規劃。正確的模型可為正確的規劃提供最優規劃方案，繼而促進工業企業的經濟發展；（3）進行仿真研究；有了模型，可對系統進行仿真研究，從而制定可行策略；（4）進行生產過程的故障診斷。若模型參數發生變化，則表明生產過程出現故障或變化；（5）進行控制。有了數學模型，可對生產系統進行最優控制。

此外系統辨識的三要素主要包括：數據、模型、準則。其中數據主要是指數據的輸入和輸出，同時其也是辨識的基礎；模型有靜態模型、動態模型、線性模型以及非線性模型之分；準則主要包括等價準則、輸出誤差準則、輸入誤差準則、廣義誤差準則四種[1]。

3 樣條函數H模型辨識算法的研究與應用

在工業企業生產系統中，其智能計算系統具有一定的非線特性，隨著企業生產系統規模的不斷擴大，智能計算的復雜性也逐漸增加。因此對其辨識算法進行優化成為了促進企業經濟發展的首要條件與必要前提。在智能計算的非線性系統辨識算法中，樣條函數H模型辨識算法最為常用。樣條函數H模型辨識算法模型圖如圖1所示。

樣條函數模型差分方程為：

在此公式中，線性部分為

從目前工業企業智能計算的情況來看，H模型在企業生產系統中的運用越來越多，且具有較強的使用性。樣條函數H模型不僅可提升非線性系統辨識效率，而且計算機對其比較容易識別[2]。由于樣條函數其本身就是分段函數，因此，用其進行建模，與企業實際生產系統的需求更加接近。此外，在數據比較多時，可采用K均值算法，這樣不僅可減少辨識參數，還可大幅度提升辨識效率。

4 量子粒子群H模型辨識算法的研究與應用

量子粒子群H模型，辨識算法是系統辨識研究中重要的組成部分，同時也是最常用的優化工具。但從以往非線性辨識系統的使用情況來看，其仍然存在較多的不足與缺陷，如收斂慢等。為解決此問題，行業內專家對其進行了全面改進，如后來的自適應變異法、雜交PSO算法等，對其收斂慢具有一定的改進作用。PSO算法是一種比較常用的方法，其主要采用粒子位置，擴展算法實現粒子移動，然后根據粒子的移動情況搜索最佳位置的粒子，對粒子位置進行變異操作，實現算法的收斂速度[3]。

粒子狀態更新規則如下所示：

其中

在POS算法中，增加種群的多樣性，可避免收斂早熟，由量子非門實現的變異操作過程為：

其中變異概率是pm，粒子隨機數為rnd，如果pm>rndi，隨機選擇[D/2]量子位，對概率富進行對換，粒子自身角度和位置不變[4-5]。其辨識算法的步驟為（1）根據POS算法循環，進行群體初始值設定；（2）計算EA值，執行解空變換，求出循環最優值；（3）采用旋轉門，進行量子更新；（4）計算粒子異變概率；（5）對量子群法進行判斷，若滿足則算法結束，否則對2、4步進行重復，直到滿足[6-7]。

5 網絡化W模型辨識算法的研究與應用

網絡化W模型，是一種典型的非線性模型，同時也是辨識系統運用最多的模型，本文主要采用兩種網絡模型，表述W模型的非線性，即RBF、BP[8-9]。網絡化W模型差分方程表示為：

其中n和m分別為此公式A（q-1）和B（q-1）多項式。BP網絡模型具有較強的映射功能，其主要運用動量項，來提升模型的速度，此外為了進一步確保模型的穩定性與速度，BP算法在進行模型訓練時應遵守以下公式，

其中y（k）、yr（k）表示網絡W模型的輸出值和第k個樣本的真值。為加強PB算法的速度，在修正權值時引入動量項算法為：

其中k時刻的負梯度為D（k），動量系數為：

RBF網絡W模型其 靜態RBF系統的輸入是動態系統的輸出，網絡W模型的輸出是RBF系統輸出。

RBF線性動態系統輸入公式為：

RBF線性動態系統輸出公式為：

通過采用RBF和PB對網絡W模型進行優化，其對生產系統具有良好的辨識度和泛化能力，特別是使用于企業生產系統中數據的辨識。辨識就是在輸入和輸出數據的基礎上，確定所測系統的模型[10-11]。

6 量子粒子群H-W模型辨識算法的研究于應用

在非線性模型中，量子粒子群H-W模型，量子粒子群模型主要有兩種形式，即多項式H-W、神經網絡H-W。該文主要對網絡化H-W進行充分研究。網絡化H-W差分方程為：

線性部分：

其中m和n的多項式為B（Z-1）和A（Z-1），系統延時表示為d。在進行量子粒子群H-W模型辨識中。量子粒子群H-W模型辨識算法應用，可根據生產系統的輸出和輸入變化進行預算，此外還可通過最小均方誤差，對量子粒子群H-W模型的系數進行糾正，然后根據算法求出該模型的最優參數，模型的結構要合理，輸入信號必須是持續激勵的，同時數據還要充足，辨識模型參數的個數應盡可能少，以最簡單的模型表述所描述的對象特征。量子粒子群H-W模型其不僅應用廣泛，且適用性比較強，可大幅度滿足生產系統的需求[12]。

7 結語

綜上所述，在實際生產中，采用智能計算的非線性系統識別算法，可大幅度提升生產力。本文主要以生產系統的構成為主要出發點，對智能計算的非線性系統辨識算法進行充分研究，采用的研究方法是非線性模塊化模型。通過對系統中傳感器以及執行器的研究，得出在智能計算的非線性系統辨識算法中采用模塊化模型的重要性，其可有效滿足非線性系統的辨識算法。在以后智能計算的非線性系統辨識算法的研究中，應對模塊建模以及群體智能算法進行充分研究，以便對控制系統進一步優化。

參考文獻

[1] 劉朝華，李小華，周少武，等.面向永磁同步電機參數辨識的免疫完全學習型粒子群算法[J].電工技術學報，2014，5（12）：22-25.

[2] 劉輝煌，莫憲，饒彬.基于Lotka-Volterra模型的中國股票市場非線性特征--一個生態學的視角[J].財經理論與實踐，2014，4（23）：12-16.

[3] 鄧澤林，譚冠政，何锫.非線性神經元電活動的數學模型及其分析方法與計算機仿真研究[J].計算機研究與發展，2013，8（23）：17-20.

[4] 徐巖，王波，李鵬.基于檢測系統非線性相關性的相空間重構時間延遲估計震[J].動與沖擊，2014，8（13）：25-27.

[5] Wang Dongfeng，Zhang Jinying，Yuan Shitong，Ren Yanyan. Robust synchronization of fractional-order PMSM chaotic system[J].Journal of Modern Mathematics Frontier，2013，2（4）：120-124.

[6] 孟麗，韓璞，任燕燕.基于多目標粒子群算法的PID控制器設計[J].計算機仿真，2013，30（7）： 388-391.

[7] Ren Yanyan，Wang Dongfeng，Liu Changliang，Han Pu.PSO and spline function-based hammerstein model and its application to system identification[J].Intelligent Information Management Systems and Technologies，2012，8（4）：421-428.

[8] Ren Yanyan，Wang Dongfeng，Liu Changliang，Han Pu. Identification of thermal process using wiener model based on PSO and DNN[J].Intelligent Information Management Systems and Technologies，2012，8（1）：11-20.

[9] Srinivasan A.，Lakshmi P. Identification and control of Wiener type process applied to real-time heat exchanger[J]. Asia-Pacific Journal of Chemical Engineering，2008，3（6）：622-629.

[10] Nafar M Gharehpetian G B Niknam T.Using Modified Fuzzy Particle Swarm Optimization Algorithm for Parameter Estimation of Surge Arresters Models[J].International Journal of Innovative Computing Information and Control， 2012，8（1B）： 567-581.

[11] Zahara Er.，Hu C.H.Solving constrained optimization problems with hybrid particle swarm optimization[J]. Engineering Optimization， 2008，40（11）：1031-1049.

[12] Deng W.，Chen R.，Gao J.et ah A novel parallel hybrid intelligence optimization algorithm for a fimction approximation problem [J].Compuers & Mathematics with Applications 2012，63（1）： 325-336.