基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)_第1頁
基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)_第2頁
基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)_第3頁
基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)_第4頁
基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)_第5頁
已閱讀5頁,還剩20頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型利用差分進(jìn)化算法辨識(shí)非線性靜態(tài)模型參數(shù):利用差分進(jìn)化算法辨識(shí)非線性靜態(tài)模型參數(shù): ()() 辨識(shí)參數(shù)集為辨識(shí)參數(shù)集為 ,真實(shí)參數(shù)為,真實(shí)參數(shù)為采用實(shí)數(shù)編碼,辨識(shí)誤差指標(biāo)取采用實(shí)數(shù)編碼,辨識(shí)誤差指標(biāo)取: ()() 其中其中 N為測試數(shù)據(jù)的數(shù)量為測試數(shù)據(jù)的數(shù)量, yi為模型第為模型第i個(gè)測試個(gè)測試樣本的輸出。樣本的輸出。 1210sgnsgnsgnykxgxkxhxkhgx12= ghkk 12=1210.5ghkk T112NiiiiiJyyyy辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型 首先運(yùn)行模型測試程序,對象的輸入樣本首先運(yùn)行

2、模型測試程序,對象的輸入樣本區(qū)間為區(qū)間為 -4 4之間,步長為,由式()計(jì)算樣之間,步長為,由式()計(jì)算樣本輸出值,共有本輸出值,共有81對輸入輸出樣本對。對輸入輸出樣本對。 辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型 將待辨識(shí)的參數(shù)向量記為將待辨識(shí)的參數(shù)向量記為X ,取樣本個(gè)數(shù)為,取樣本個(gè)數(shù)為Size=200 ,最大迭代次數(shù),最大迭代次數(shù)G=200 ,采用實(shí)數(shù)編碼,采用實(shí)數(shù)編碼,四個(gè)參數(shù)的搜索范圍均為四個(gè)參數(shù)的搜索范圍均為0,5 。粒子運(yùn)動(dòng)最大速度。粒子運(yùn)動(dòng)最大速度為為Vmax,即速度范圍為,即速度范圍為-1,1 。學(xué)習(xí)因子取。學(xué)習(xí)因子取c1=1.3,c2=1.7 ,采用線性遞減的慣性權(quán)重,慣性權(quán)

3、重,采用線性遞減的慣性權(quán)重,慣性權(quán)重采用從線性遞減到的策略。目標(biāo)函數(shù)的倒數(shù)作為粒采用從線性遞減到的策略。目標(biāo)函數(shù)的倒數(shù)作為粒子群的適應(yīng)度函數(shù)。將辨識(shí)誤差指標(biāo)直接作為粒子子群的適應(yīng)度函數(shù)。將辨識(shí)誤差指標(biāo)直接作為粒子的目標(biāo)函數(shù),越小越好。的目標(biāo)函數(shù),越小越好。 辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型 按式按式(8.25)和式和式(8.26)更新粒子的速度和位置,產(chǎn)更新粒子的速度和位置,產(chǎn)生新種群,辨識(shí)誤差函數(shù)生新種群,辨識(shí)誤差函數(shù) J的優(yōu)化過程如圖的優(yōu)化過程如圖8-19所所示。辨識(shí)結(jié)果為示。辨識(shí)結(jié)果為 最終的辨識(shí)誤差指標(biāo)為最終的辨識(shí)誤差指標(biāo)為 。12 =0.999999930217796 2.000

4、000160922045 0.999999322205419 0.500000197043791g h kk123.6166 10J辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型辨識(shí)非線性靜態(tài)模型仿真程序仿真程序 模型測試程序:模型測試程序:辨識(shí)程序辨識(shí)程序(1)粒子群算法辨識(shí)程序)粒子群算法辨識(shí)程序(2)目標(biāo)函數(shù)計(jì)算程序:)目標(biāo)函數(shù)計(jì)算程序:辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 利用差分進(jìn)化算法辨識(shí)非線性動(dòng)態(tài)模型參數(shù):利用差分進(jìn)化算法辨識(shí)非線性動(dòng)態(tài)模型參數(shù): ()()辨識(shí)參數(shù)集為辨識(shí)參數(shù)集為 ,真實(shí)參數(shù)為真實(shí)參數(shù)為 設(shè)待辨識(shí)參數(shù)設(shè)待辨識(shí)參數(shù) K、T1 、T2 分布在分布在0,30 之

5、間,之間,T分布在分布在 0,1之間。之間。 0.8122e=e111201TssKG sTsT sss12= KTTTX= 21200.8X辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 采用實(shí)數(shù)編碼,辨識(shí)誤差指標(biāo)取采用實(shí)數(shù)編碼,辨識(shí)誤差指標(biāo)取: ()()其中其中 N為測試數(shù)據(jù)的數(shù)量,為測試數(shù)據(jù)的數(shù)量, yi為模型第為模型第 i個(gè)測個(gè)測試樣本的輸出。試樣本的輸出。 T112NiiiiiJyyyy辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 首先運(yùn)行模型測試程序,對象的輸入信號(hào)取偽隨首先運(yùn)行模型測試程序,對象的輸入信號(hào)取偽隨機(jī)二進(jìn)制序列(機(jī)二進(jìn)制序列(PRBS)為輸入,偽隨機(jī)二進(jìn)制序)為輸入,偽隨機(jī)二進(jìn)制序列信

6、號(hào)的產(chǎn)生原理見第二章的節(jié),如圖列信號(hào)的產(chǎn)生原理見第二章的節(jié),如圖8-20所示,所示,從而得到用于辨識(shí)的模型測試數(shù)據(jù)。從而得到用于辨識(shí)的模型測試數(shù)據(jù)。 辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 將待辨識(shí)的參數(shù)向量記為將待辨識(shí)的參數(shù)向量記為X ,取粒子群個(gè)數(shù)為,取粒子群個(gè)數(shù)為Size=80 ,最大迭代次數(shù),最大迭代次數(shù)G=100 ,采用實(shí)數(shù)編碼,采用實(shí)數(shù)編碼,向量向量 X中四個(gè)參數(shù)的搜索范圍中四個(gè)參數(shù)的搜索范圍為為 。粒子運(yùn)動(dòng)最大速度。粒子運(yùn)動(dòng)最大速度為為Vmax,即速度范圍為,即速度范圍為-1,1 。學(xué)習(xí)因子取。學(xué)習(xí)因子取c1=1.3, c2=1.7 ,采用線性遞減的慣性權(quán)重,慣性權(quán)重采,采用線性遞

7、減的慣性權(quán)重,慣性權(quán)重采用從線性遞減到的策略。目標(biāo)函數(shù)的倒數(shù)作為粒用從線性遞減到的策略。目標(biāo)函數(shù)的倒數(shù)作為粒子群的適應(yīng)度函數(shù)。將辨識(shí)誤差指標(biāo)直接作為粒子群的適應(yīng)度函數(shù)。將辨識(shí)誤差指標(biāo)直接作為粒子的目標(biāo)函數(shù),越小越好。子的目標(biāo)函數(shù),越小越好。 0,10 , 0,10 , 0,30 , 0,3辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 按式按式(8.25)和式和式(8.26)更新粒子的速度和位更新粒子的速度和位置,產(chǎn)生新種群,辨識(shí)誤差函數(shù)置,產(chǎn)生新種群,辨識(shí)誤差函數(shù) J的優(yōu)化過的優(yōu)化過程如圖程如圖8-21所示。辨識(shí)結(jié)果為所示。辨識(shí)結(jié)果為 最終的辨識(shí)誤差指標(biāo)為最終的辨識(shí)誤差指標(biāo)為 。= 2.01.0022

8、20.00130.7998X7 2.5426 10J辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 辨識(shí)非線性動(dòng)態(tài)模型辨識(shí)非線性動(dòng)態(tài)模型 仿真程序仿真程序 1 模型測試程序模型測試程序 模型測試主程序:模型測試主程序: 偽隨機(jī)二進(jìn)制序列產(chǎn)生程序:偽隨機(jī)二進(jìn)制序列產(chǎn)生程序:2 辨識(shí)程序辨識(shí)程序 (1)粒子群算法辨識(shí)程序)粒子群算法辨識(shí)程序 (2)目標(biāo)函數(shù)計(jì)算程序:)目標(biāo)函數(shù)計(jì)算程序: 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) VTOL(Vertical Take-Off and Landing)飛行器即飛行器即垂直起降飛行器,

9、一般指戰(zhàn)斗機(jī)或轟炸機(jī)。該飛行垂直起降飛行器,一般指戰(zhàn)斗機(jī)或轟炸機(jī)。該飛行器可實(shí)現(xiàn)飛行器自由起落,從而突破跑道的限制,器可實(shí)現(xiàn)飛行器自由起落,從而突破跑道的限制,具有重要的軍用價(jià)值。具有重要的軍用價(jià)值。 如圖如圖8-22所示為所示為XY平面上的平面上的VTOL受力圖。由受力圖。由于只考慮起飛過程,因此只考慮垂直方向于只考慮起飛過程,因此只考慮垂直方向Y軸和橫軸和橫向向X軸,忽略了前后運(yùn)動(dòng)(即軸,忽略了前后運(yùn)動(dòng)(即Z方向)。方向)。XY為慣性為慣性坐標(biāo)系,坐標(biāo)系, XbYb為飛行器的機(jī)體坐標(biāo)系。為飛行器的機(jī)體坐標(biāo)系。 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨

10、識(shí) 根據(jù)圖根據(jù)圖8-22,可建立,可建立VTOL動(dòng)力學(xué)平衡方程為動(dòng)力學(xué)平衡方程為 ()() 00sincoscossinxmXTlmYTlmgIl 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 其中其中T和和 l為控制輸入,即飛行器底部推力為控制輸入,即飛行器底部推力力矩和滾動(dòng)力矩,力矩和滾動(dòng)力矩,g為重力加速度,為重力加速度, 是描述是描述T和和l之間耦合關(guān)系的系數(shù)。之間耦合關(guān)系的系數(shù)。 由式()可見,該模型為兩個(gè)控制輸入控制由式()可見,該模型為兩個(gè)控制輸入控制三個(gè)狀態(tài),為典型的欠驅(qū)動(dòng)系統(tǒng)。模型中包括三個(gè)狀態(tài),為典型的欠驅(qū)動(dòng)系統(tǒng)。模型中包括三個(gè)物理參數(shù)

11、,即三個(gè)物理參數(shù),即 m、 和和 。00 xI 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 令 ,則式()可表示為 ()123456, , , , ,X X Y Yx x x x x x 122505344505566sincoscossinxxxmxTxlxxxmxTxlxmgxxI xl 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 令 ,則,則()01231211,xaaaTu lummI12215125234415125256632sincoscossinxxxaxuaxuxxxaxuaxugxxxa u 8

12、.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 上式可表示為上式可表示為由于由于則得則得215 125241 15225632sincos0cossin0 xax uax uxauxa uxgxa u 15 125255111 152255522323sincossincos00cossincossin000010ax uax uxxauauxa uxxxaua ua 255114552263sincos000cossin0000100 xxxauxxxaguxa 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 即即 ()(

13、)上式可寫成下面的形式上式可寫成下面的形式 ()()1552115542263sincos000cossin0000100 xxxauxxxgauxa YA 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 其中其中 由由 及可知,參數(shù)及可知,參數(shù) 之間線性無關(guān),因此,可采用智能搜索之間線性無關(guān),因此,可采用智能搜索算法進(jìn)行參數(shù)辨識(shí)。算法進(jìn)行參數(shù)辨識(shí)。 15525546sincos00cossin00010 xxxxxxgx Y123000aaaA12uu 1 122321,2,3a ua ua uYYY123,a aa 8.12.3 基于粒子群算法的基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)飛行器參數(shù)辨識(shí) 采用實(shí)數(shù)編碼,辨識(shí)誤差指標(biāo)取采用實(shí)數(shù)編碼,辨識(shí)誤差指標(biāo)取: ()()其中其中 N為測試數(shù)據(jù)的數(shù)量為測試數(shù)據(jù)的數(shù)量, 。仿真中,取真實(shí)參數(shù)為仿真中,取

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論