一、基于混合进化策略的非线性系统辨识（论文文献综述）
冯子凯[1]（2020）在《基于结构自适应滤波方法的非线性系统辨识》文中进行了进一步梳理系统辨识是研究系统数学建模的理论与方法。对于变量较多、维度较高以及结构较为复杂的大规模工业生产过程（如炼油精制过程、原油催化裂化过程、化工蒸馏过程等）,建立其系统的精确数学模型相当困难。系统辨识基于大量的观测数据研究对应的辨识算法,计算得到系统的数学模型,通过模型验证评价建模精度和应用效果。工业实践中遇到的系统建模和优化问题多为非线性问题,其求解计算量较大,复杂度较高。多变量非线性系统的辨识是系统辨识研究的重要方向。现有的非线性系统辨识方法多为结构固定的参数辨识,针对其局限性高和辨识率较低的特点,将结构自适应引入辨识过程,提出一种基于子系统的结构自适应滤波（Subsystem-based Structural Adaptive Filtering,SSAF）方法。该方法的模型由若干子系统级联而成,每一个子系统为“线性-非线性”混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应（Infinite Impulse Response,IIR）滤波器,其非线性部分是一个静态的非线性函数。初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接。不含反馈的连接机制确保了非线性系统的稳定性。一种自适应多精英引导的复合差分进化算法（Adaptive Multiple-Elites-guided Composite Differential Evolution algorithm,AMECo DEs）被用于结构自适应模型的优化,模型进行循环优化,直至找到最优或接近最优的结构和参数。实验结果表明,本文提出的方法在非线性测试函数以及真实的数据集上表现优异,辨识率高,收敛性好,对复杂的非线性系统具有显着的模型识别及信息提取能力。在结构自适应模型中,子系统有一阶和二阶两种可选的类型,它们按照一系列指令依次添加到自适应模型中,从而形成一个有效的非线性滤波模型。对自适应滤波模型的结构和参数进行编码,然后利用演化算法对已生成的自适应模型进行优化。首先,在不同的超参数下进行辨识实验,对结果进行比较分析并选出最优的超参数;然后对六种不同的演化算法设置最优的超参数值,用六种算法对同一非线性对象进行辨识,从而选出最优的算法。最后用选出的最优算法来设计辨识模型,对一个实际的液体饱和蒸汽热交换系统进行辨识,得到了最优的结构和参数。由实验结果的分析对比,验证了基于子系统的结构自适应滤波模型以及通过演化算法优化的设计方法在非线性测试函数和真实的数据集上表现优异,与神经网络辨识方法相比,所用参数更少,且辨识结果更好,从而验证了本文所提方法的优越性。本文提出的基于子系统的结构自适应滤波方法可兼容其它的演化算法,具有普适性,主要表现在规范化的编码方式可以调用各种类型的演化算法,可以对绝大部分的单输入单输出非线性系统进行辨识,并且可应用于类似的系统优化问题。
王迦祺[2]（2020）在《基于智能计算的模块化非线性系统辨识研究》文中提出非线性系统辨识一直是过程控制领域中的热点问题。而模块化模型作为非线性模型的一种,便于操作,能够有效拟合实际生产系统,因此常用于非线性系统辨识中。考虑到智能计算领域近年来发展飞快,成功解决了诸多非线性系统辨识问题,本文主要针对两种典型的模块化模型:Wiener模型和Hammerstein模型,结合智能优化算法和神经网络来研究具体辨识方案。主要内容包括:（1）针对标准粒子群优化算法（PSO）易早熟收敛等缺点,通过引入早熟收敛程度评价指标,将种群分类后对其位置进行自适应调整,提出了一种改进的粒子群优化算法（MPSO）。针对标准飞蛾优化算法（MFO）横向定位机制的低效性,将高斯混合分布思想引入其位置更新和种群初始化中,提出了一种新型的高斯混合飞蛾优化算法（GMFO）,并通过测试函数证明了其有效性。（2）针对Wiener模型进行研究,线性模块用动态线性神经元来表示,非线性模块分别用BP神经网络和RBF神经网络来逼近,将模型表达成串联的网络结构。将双层优化策略应用到辨识中,内层学习采用BP算法,而外层学习采用MPSO算法,之后通过对CO2浓度系统的辨识证明了辨识方案的有效性。（3）研究SISO Hammerstein模型,利用函数连接型神经网络（FLANN）来表示非线性模块,通过将均方误差（MSE）定为评价指标,利用提出的GMFO算法对FLANN-IIR结构进行训练,很好地结合了 GMFO算法的计算能力和FLANN的非线性拟合能力。最后通过几组实例证明了方法的有效性。（4）研究重尾噪声影响下的MIMO Hammerstein模型辨识问题。考虑到传统辨识算法受到重尾噪声干扰可能会失效,而GMFO算法中的高斯混合飞行策略能够有效应对重尾噪声中离群点的干扰,我们将静态非线性模块用RBF神经网络来拟合,利用GMFO算法将RBFNN的训练和线性部分的参数辨识同步进行。最后实验证明了辨识方案的有效性和对离群点的鲁棒性。
李霏[3]（2020）在《污水处理过程智能检测与优化控制的研究》文中研究表明污水处理过程（Wastewater treatment process,WWTPs）具有复杂的生物、物理和化学特性,且因其变量之间严重的耦合关系和高度的非线性而难以控制。目前,我国采用活性污泥法去除水中的污染物,该生化反应过程耗电量高,产生了巨大的运行成本,且鲜有研究专注于减少或完全消除污染物浓度峰值超标的问题。此外,随着世界范围内实施愈加严格的标准和法规,高额的罚款将导致成本增加。因此,如何实现污水处理全流程出水水质实时达标,提高污水处理质量并减少能耗是一个亟待解决的难题。其主要体现在:1)出水氨氮（Ammonia nitrogen,NH4-N）做为污水处理过程中水污染控制系统的关键因素,水质在线检测难以实现并具有挑战性;2)如何求得收敛性与分布性最好的帕累托（Pareto）最优解,从而获得最佳的溶解氧和硝态氮设定值;3)WWTPs的评估策略不仅仅涉及一个目标,而是多个目标,如出水水质、运行成本及系统的稳定性。如何实现在保证平均出水水质达标的前提下降低成本显得尤为重要;4)污水处理过程是一个复杂动态系统,多个目标随时间变化,如何采用动态控制策略实现在环境发生变化时快速跟踪移动的Pareto前沿,实现污水处理的优化运行;5)如何实时在完全消除出水峰值超标的前提下,提高污水处理质量并减少能耗。针对以上问题,本文提出了污水处理过程智能检测与优化控制的研究策略。首先,分析了污水处理过程特性,建立基于数据驱动的污水处理过程智能检测方法预测出水氨氮浓度。其次,设计能耗和水质多目标优化算法,求取溶解氧和硝态氮的优化设定值,并采用自组织跟踪控制器来追踪该设定值。此外,提出动态多目标优化控制方法,从而应对环境的动态变化,获得较好的控制性能。最后,依据关键水质智能检测结果,设计知识决策方案,提供抑制峰值超标的优化控制策略,并采用国际基准仿真平台（Benchmark Simulation Model No.1,BSM1）进行验证。论文主要研究工作和创新点如下:（1）基于人工免疫自组织径向基神经网络（Radial basis function neural network,RBFNN）出水NH4-N预测器水污染是一个重要的环境问题,水质在线检测仍是亟待解决的难题,特别是出水NH4-N超标已成为焦点之一。NH4-N超标可能引起水体富营养化,增加污水遗传毒性,危及人类健康。为了使污水处理过程能够实时了解NH4-N浓度,本论文提出了一种基于距离浓度人工免疫自组织RBFNN（Self-organizing RBF neural network based on distance concen-tration immune algorithm,DCIA-SORBF）的NH4-N预测器。首先,对实际采集到的数据进行预处理,并选择与出水NH4-N具有较强相关性的过程变量。此外,采用RBFNN创建出水NH4-N的软测量模型,并通过距离浓度人工免疫算法对其结构和参数自组织调整。最后,采用训练好的DCIA-SORBF模型对出水NH4-N进行实时预测。实验结果表明,所提出的出水NH4-N预测器在效率和精度上具有显着的优越性。（2）基于均匀分布的自适应混合进化人工免疫算法通常,在迭代过程中的进化算法,无论是多目标优化问题还是单目标优化问题,目标空间都存在个体分布不均匀的问题。这种不均匀的分布大大降低了种群的多样性和收敛速度。为此,本论文提出了一种基于均匀分布选择机制的自适应混合进化免疫算法（Adaptive hybrid evolutionary immune algorithm based on a uniform distribution selection mechanism,AUDHEIA）。在该算法中,种群中的个体被映射到与目标空间相对应的超平面,并聚类以增加种群中个体的多样性。为了改善解的分布性,将映射的超平面进行均匀分区。随着迭代过程中分布性的不断变化,自适应地调整判断种群分布标准的阈值。当相应区间内不满足阈值时,激活分布性增强模块。随后,在每个区间内选择相同数量的个体。然而,在迭代过程中,有时某些区间内没有足够的个体或为空。此时,采用最优个体的极限优化变异策略来补足个体。实验结果表明,该算法能够较好地跳出局部最优,具有较高的收敛速度。此外,该算法的分布性和收敛性均优于文中同类的测试算法。（3）污水处理过程免疫多目标优化控制方法针对污水处理过程控制中能耗过大,出水水质严重超标等问题,提出了一种基于免疫优化的智能控制方法。首先,该方法以污水处理能耗和出水水质作为优化目标,建立优化目标函数模型。其次,采用本论文提出的AUDHEIA来获得收敛性和分布性较好的Pareto解,从而得到最佳的溶解氧和硝态氮优化设定值。最后,应用自组织递归模糊神经网络控制器对该设定值进行底层的跟踪控制。为了验证算法的有效性,在国际基准的污水处理仿真平台BSM1上进行实验。结果显示,所提出的免疫优化控制方法,能够在满足出水水质达标的同时,有效地降低污水处理过程能耗。（4）污水处理动态过程免疫优化控制方法由于污水处理过程动态变化,且能耗和水质存在相互冲突的耦合关系。在环境发生变化时,固定的优化设定值已无法有效地快速实现污水处理的优化运行。为此,本论文提出了一种动态多目标免疫优化控制（Dynamic multi-objective immune optimization control,DMOIA-OC）方法。该方法通过数据建模获得动态变化的目标函数,并设计动态免疫优化（Dynamic multi-objective immune algorithm,DMOIA）算法来获取随环境动态变化的溶解氧和硝态氮的最佳设定值。DMOIA采用多向预测策略,以提高进化算法求解动态多目标优化问题的性能。为了更精确地预测Pareto解集的移动位置,通过自适应均匀分布策略将种群聚类为多个代表性的组,并根据环境变化预测个体进化方向,在预测的新位置周围重新初始化种群。最后,该方法通过BSM1仿真平台进行验证。实验结果表明,所提出的DMOIA-OC方法与同类方法相比,控制性能显着提高。（5）污水处理过程智能检测与优化控制系统为了实现污水处理过程全流程有效抑制出水水质峰值超标且节能降耗的目的,本论文提出了污水处理过程智能检测与优化控制（Intelligent detection and optimal control of wastewater treatment process,IDOC）系统。首先,该系统采用提出的DCIA-SORBF软测量模型预测出水氨氮和总氮浓度。并根据该预测结果与专家知识,设计污水处理过程全流程优化控制策略。当预测水质达标时,采用动态免疫优化算法求取高质量的溶解氧和硝态氮设定值,以达到节能降耗的目的。当预测出水水质不达标时,启动峰值超标抑制控制策略实现出水水质实时达标。最后,采用BSM1仿真模型对该方法进行验证。实验结果表明,所提出的IDOC系统可以实现全流程污水处理实时达标并能够有效地降低能耗,从而具有较好的实际应用价值。
卢得龙[4]（2019）在《基于改进蝙蝠算法和RBF神经网络的非线性系统参数辨识研究》文中提出非线性系统辨识是自动控制领域中亟待解决的热点问题,最小二乘法和极大似然等传统辨识方法只能处理线性系统的参数辨识问题,对于非线性系统并不适用。当采用迭代法、随机搜索法等非线性最小二乘法辨识这类模型参数时又容易陷入“维度灾难”,导致辨识结果的稳定性较差。智能优化算法作为一种自组织、自协作且高度并行的全局优化算法,对这类缺少梯度、连续性、凸性特征的复杂问题模型提供了良好的解决方法。在众多智能优化算法中蝙蝠算法因为其结构简单、全局搜索能力强,引起了学者的广泛关注。但是基本的蝙蝠算法存在种群初始化简单、前期收敛精度低、后期易陷入“早熟收敛”等缺陷。为了提升蝙蝠算法的寻优能力,本文提出将反向学习策略引入蝙蝠算法对算法的寻优方式进行改进,并设计出一种动态递减的柯西变异机制帮助算法跳出局部极值,测试函数证明了本文提出的反向学习和柯西变异蝙蝠算法（OCBA）具有更高的收敛率和收敛精度。传统的参数辨识方法通常建立在白噪声或基于高斯分布的有色噪声基础上,而实际工业过程中出现的包含较大离群点干扰的重尾分布噪声对已有的辨识方法提出了新的挑战。在已有的非线性模型中Hammerstein模型可以用来描述大多数实际非线性过程,针对重尾噪声干扰下的此类模型目前还没有形成统一的辨识方法。本文提出使用改进的OCBA算法处理此类模型的参数辨识问题,成功将辨识问题转化成参数的寻优问题,仿真实验证明了本文提出的辨识方法具有较好的辨识效果。神经网络是实现非线性函数逼近的一种有效手段。针对MIMO Hammerstein模型复杂非线性环节难以参数化的问题,本文提出使用RBF神经网络构建非线性环节,并利用一种带柯西变异的多agent蝙蝠算法（CMBA）同时寻优RBF网络参数和Hammerstein模型的线性环节参数实现了 MIMO Hammerstein模型非线性和线性环节参数的同步辨识,仿真实验证明了本文提出的CMBA-RBF方法在辨识这类模型参数时具有更强的鲁棒性。
赵竟园[5]（2018）在《车用超级电容建模及在混合动力汽车中的应用》文中提出由于能源危机与环境污染的日益加剧,新能源汽车逐渐成为全球节能减排科技创新中至关重要的技术变革之一。其中,混合动力汽车不仅显着提高了燃油经济性和污染物排放水平,同时不存在充电基础设施建设,昂贵的车载电源购置成本以及大量报废二次电池污染等问题。利用车载电源作为混合动力系统的能量存储与转化载体,实现对随机变化的需求功率进行削峰填谷,使发动机工作于高效区间,达到提高燃油经济性等优化目标。作为混合动力系统的核心动力部件之一,车载电源的性能直接影响着整车动力性与经济性等关键性能指标。目前广泛应用于混合动力系统车载电源的储能设备主要包括镍氢电池和锂离子电池等。但在现有储能技术下,这些电化学电池在提供峰值功率需求的同时,难以保证较高的充放电效率与较长的循环使用寿命。相比而言,拥有高比功率、良好温度特性、以及超长循环寿命的超级电容具有巨大潜能。综上分析,本文以并联式混合动力汽车为研究对象,应用超级电容作为混合动力系统的大功率储能载体。针对车用超级电容性能表征测试方法、数学模型构建、SOC状态估计以及混合动力汽车能量管理策略等问题开展了深入研究,旨在保证超级电容混合动力系统安全可靠运行基础上,实现最佳燃油经济性。开展的研究工作主要包括:（1）针对超级电容性能表征测试问题针对车载大功率储能应用,以先进车辆对车载电源的基本性能需求为研究中心,提出了系统性的超级电容性能表征测试方法。根据电化学反应机理的不同,详细阐明了碳基双电层电容器、赝电容/混合型超级电容测试评估方法的不同。总结分析了基于不同测试体系获取的超级电容性能表征数据的不一致性与不确定因素。旨在建立完备准确的超级电容性能表征试验数据库,为数学模型构建做指导。（2）针对超级电容数学建模问题通过超级电容动态响应特性研究,确定分数阶数学模型可以更高精度表征超级电容外特性。在分数阶微积分理论基础上,提出了车用超级电容分数阶等效电路模型。与整数阶模型相比,超级电容分数阶模型具有精度高、参数少、复杂度低等优点。分数阶微积分的引入使等效电路模型更高精度的体现了以碳基、金属氧化物或导电聚合物作为电极的超级电容固有的电化学特性,实现了对车用超级电容的精确建模。（3）针对超级电容模型的参数辨识问题基于算法并行融合思想,提出了一种混合进化优化方法。该算法有效结合了搜寻者优化算法SOA的全局搜索能力和Nelder-Mead单纯形法的优化精度与收敛速度。两种优化方法的融合显着提高了非线性问题的多参数优化能力。提出的混合进化优化算法具有全局最优性、并行高效性和鲁棒性等优点。（4）针对超级电容荷电状态SOC估计问题针对超级电容SOC估计问题,提出了基于模型观测器融合的SOC估计方法。基于分数阶模型与H?状态观测器的SOC估计方法,与基于最优化自回归数据处理的Kalman滤波方法相比,无需事先获取过程噪声与量测噪声的观测信息。状态估计过程表现出对外部干扰和测量噪声具有良好的可靠性和鲁棒性等优点。（5）针对目标开发混合动力系统中超级电容参数优化设计问题从混合动力汽车对车载电源的动力性需求出发,通过对城市道路典型循环工况的特性数据处理与计算。统计得到混合动力系统对车载电源的能量需求和功率需求。基于目标车型运行数据和实际工作需求,确定了混合动力汽车车载电源参数优化设计需满足四项关键性能指标:动力性需求,充放电效率,循环使用寿命和工程性参数。（6）针对超级电容混合动力系统的能量管理控制问题根据庞特里亚金极小值原理,以等效燃油最小为优化目标设计了超级电容混合动力汽车实时能量管理策略。通过行驶工况特征的主成分分析与聚类分析,采用综合主成分得分CPCS将城市道路行驶工况进行了运动学特征分类。通过遗传算法建立了基于超级电容SOC和行驶工况特征识别的油电等效因子最优轨迹MAP,开发了基于运动学工况特征的A-ECMS实时能量管理策略。（7）针对超级电容混合动力系统的快速原型开发与实车转鼓试验建立了基于MicroAutobox硬件平台的快速控制原型系统。并在此基础上,开发了超级电容中混合度混合动力汽车。通过整车转鼓试验进一步验证了超级电容混合动力系统能量管理策略的实效性,并分析评价了超级电容混合动力汽车在典型循环工况下的动力性与经济性等关键性能指标。
许颜贺[6]（2017）在《抽水蓄能机组调速系统参数辨识及控制优化研究》文中进行了进一步梳理随着我国能源结构改革的不断深入,抽水蓄能电站作为可再生能源的储能技术以及有效地电网调峰、调频工具,得到了快速发展与大规模建设。抽水蓄能机组的复杂输水管道布置、可逆式的运行方式、频繁的工况转换以及水泵水轮机固有的“S”区域与“驼峰”区域,使得机组调速系统呈现时变、非最小相位、复杂非线性以及水-机-电强耦合等特点。这些特点不仅给机组调节、电站稳定运行带来了极大的困难,且安全问题日益凸显,给机组的安全、稳定与高效运行带来了一系列亟待解决的科学前沿问题和工程技术难题。进一步,大规模间歇性可再生能源接入电网以及电网负荷的剧烈波动,使得机组调速系统控制与优化运行呈现高度复杂特性,亟需开展抽水蓄能机组调速系统先进控制策略与优化运行等关键技术的研究。抽水蓄能机组调速系统高精度建模是开展上述关键科学问题研究的基础,传统的建模方法大都将水泵水轮机简化为一阶线性模型,无法有效描述机组的运行特性以及调速系统的强非线性,制约了基于精确模型的参数辨识、智能控制策略、优化运行等关键技术领域的研究与发展。为此,本文以抽水蓄能机组安全、高效、稳定运行的需求为切入点,围绕抽水蓄能机组调速系统精确建模与控制优化领域的关键科学问题与技术瓶颈,以系统辨识、现代控制理论与智能优化算法为理论基础,以对象建模、仿真计算分析、工程实践验证为研究主线,针对抽水蓄能机组调速系统辨识与控制优化开展了深入的研究,取得了一定的理论突破与方法创新,研究成果在我国江西洪屏抽水蓄能电站得到应用示范,本文的主要研究成果与创新如下:（1）综合分析抽水蓄能机组调速系统的各环节结构与数学描述方法,结合水泵水轮机的运行特性与全特性曲线数值变换方法,构建了可以满足不同研究应用需求的调速系统线性模型、基于全特性曲线对数投影变换的非线性模型以及数值计算模型;进一步,基于建立的调速系统非线性模型,发现了机组转速在控制参数域内的分岔现象,获得了系统非线性动力学时域图、相轨迹图和Pioncare映射图,探明了水泵水轮机“S”特性对于机组转速振荡的影响,揭示了机组运行在“S”特性区域的非线性动力学行为及其动态演化规律,为调速系统先进控制策略研究提供了理论依据。（2）为实现抽水蓄能机组调速系统实时运行状态的参数辨识,以建立的抽水蓄能机组调速系统非线性模型为研究对象,提出了适用于求解调速系统高维参数辨识问题的改进菌群觅食趋化性-引力搜索算法（bacterial foraging chemotaxis-gravitational searchalgorithm,BCGSA）,引入参数辨识重要度因子,建立了基于BCGSA的自适应一体化参数辨识模型,实现了非线性模型的高精度辨识;进一步,以调速系统线性模型为研究对象,提出了基于调速系统“白箱”线性模型映射的BP神经网络参数辨识方法,克服了传统神经网络系统辨识对于大量样本数据的依赖以及辨识结果泛化能力差的缺陷,发展了调速系统精确建模的研究范式。（3）针对抽水蓄能机组在低水头空载工况运行易进入“S”特性区域,进而引起机组转速振荡、并网困难等问题,引入分数阶微积分思想,建立了一种新型调速系统分数阶PID控制器,有效抑制了“S”特性区域对机组空载稳定的不利影响;进一步,深入研究模糊控制理论,综合分析模糊分数阶PI与模糊分数阶PD控制器的特点,推求了适用于工程实际的模糊规则,建立了抽水蓄能机组调速系统自适应快速模糊分数阶PID控制器（AFFFOPID）,仿真实验表明,AFFFOPID进一步改善了低水头空载运行时机组频率和导叶开度的过渡过程,提高了抽水蓄能机组调节系统的控制品质。（4）针对大波动工况下抽水蓄能机组运行不稳定问题,深入探讨了不同导叶关闭方式的特点及其对输水系统各水力单元的水力特性的影响,基于本文建立的“一管-双机”式抽水蓄能机组调速系统数值计算模型,引入水力单元调保计算安全阈值边界和调速器油速等多重约束因素,建立了均衡考虑机组转速上升率与水锤压力波动的导叶关闭规律多目标优化模型,并提出了一种基于种群重构、多目标趋化性操作以及精英档案集指导等机制的改进多目标引力搜索算法（IMOGSA）,实现了机组导叶关闭规律多目标优化问题的高效求解,快速制定出了甩负荷、水泵断电工况下分布均匀且广泛的导叶关闭规律非支配方案集,为保障抽水蓄能机组的安全、稳定运行提供了理论依据与科学的指导。（5）基于本文抽水蓄能机组调速系统辨识与控制优化研究的理论成果,设计开发了一种面向服务的抽水蓄能机组调速系统控制优化与性能评估应用系统,通过调速系统分布式集散监测数据融合,实现了调速系统参数辨识、控制优化与性能评估等功能,该系统已成功应用于江西洪屏抽水蓄能电站,为电站运行人员提供科学的辅助决策建议,推动了我国抽水蓄能行业的科技进步与发展。
徐亮[7]（2016）在《燃煤机组全流程机理建模及若干关键运行与控制优化问题研究》文中研究说明火力发电,尤其是燃煤机组发电是我国电力工业的主体。但是,由于所涉学科领域多、机理复杂、测点不完备以及固有的时变、非线性、大时滞、多变量、多干扰等特性,燃煤机组在工艺、运行、控制优化等方面还有大量问题有待解决。随着我国经济发展带来的环境污染影响日益凸显,对燃煤机组的运行优化、性能评估、控制优化的需求也越来越迫切。本文涉及燃煤机组全流程机理建模以及基于模型的若干关键变量在线监测、运行优化、控制优化问题。本文的主要研究成果包括:（1）改进了工质物性参数的计算公式IAPWS-IF97在临界区的计算方法,提出迭代法与工质状态判定相结合的方法,解决了直接采用温度、压力迭代计算密度时的多解问题。（2）提出了基于氧量在线测量和煤质离线分析的烟气成分实时估计方法,以及适用于温度范围273.152000 K、压力范围0200 kPa的基于烟气成分实时估计的烟气物性参数计算方法。（3）建立了燃煤机组全流程机理模型。对于锅炉侧,建立了制粉系统、蒸发系统、换热器系统、金属壁能量动态蓄积、热损失的集总或准分布参数的机理模型;对于汽机侧,建立了汽轮机系统、回热抽汽系统、冷端系统机理模型。（4）研究了基于锅炉侧机理模型的入炉煤低位发热量的在线辨识方法,并从72小时、一月两个时间尺度上,分别采用原始化验值与剔除化验误差后的校正化验值对实时辨识的低位发热量进行验证,结果表明所提在线辨识方法具有较高的精度和较强的实用性。进而,提出了基于入炉煤低位发热量在线辨识的燃料主控优化方案,并对锅炉侧能效进行了实时评估。（5）研究了在线确定并滚动更新机组煤耗特性的方法。提出了四种调度模式下的最优化问题,并通过实例验证了四种调度模式下,根据机组煤耗特性合理分配机组负荷,可以达到明显的节能降耗效果。（6）研究了汽轮机系统的白箱与黑箱模型,利用二者的等效性,推导出了低压缸排汽湿度的在线监测方法。研究了通用于单背压、双背压凝汽器冷端系统的最优化问题,提出了冷端优化计算流程,结果表明冷端系统具有明显的潜在优化空间。最后对汽机侧能效进行了实时评估。（7）基于适当简化的全流程机理模型,建立了锅炉-汽轮机四阶、二输入、二输出的多变量非线性状态空间模型,并结合真实机组数据进行了参数辨识与模型验证。提出了基于反馈线性化的FL-PID、FL-SMC协调控制策略,并对比研究了常规PID、FL-PID、FL-SMC的控制特性。
钱小毅[8]（2016）在《基于等位基因量子进化算法的经纱断头率优化研究》文中进行了进一步梳理量子计算是信息科学和量子力学相结合的新兴交叉学科,以量子算法为代表的量子计算具有高度的并行性、指数级存储容量和对经典启发式算法的指数加速作用,因此具有极大的优越性并蕴涵着强大的生命力。量子计算和智能计算的融合可以通过在传统智能计算中引入量子计算机制来改变传统智能计算的寻优方式,提高寻优能力和收敛速度等性能。近年来量子进化算法的研究已成为智能优化领域研究的热点之一。本文在梳理和综述国内外智能优化方法和智能建模方法的研究进展基础上,分析了经典量子进化算法的缺点与局限性,在此基础上,对量子进化算法的编码方式和更新机制进行改进,提出一种基于等位基因的实数编码量子进化算法,并对区间二型模糊神经网络规则与参数进行了优化,最后,将其应用于纺织浆纱生产过程中的经纱断头率的优化。本文主要内容具体如下:（1）简述了量子计算的基本原理及量子进化算法的编码方式、更新手段和算法流程,通过对背包问题和数值优化问题进行求解,并与遗传算法和蚁群算法进行对比,分析了量子进化算法的优点和局限性。（2）针对在连续优化问题中量子进化算法存在的求解精度低、收敛速度慢和编码长度受限等问题,提出了一种基于等位基因的实数编码量子进化算法,将变量以概率叠加的方式编码为等位基因的形式,定义了等位基因的相对优良性,在此基础上给出了混合更新策略。仿真研究将量子进化算法与双链量子遗传算法和遗传算法进行相比,验证了该算法的收敛速度和收敛精度。（3）针对区间二型模糊神经网络规则冗余及后件参数初值难以确定的问题,提出了一种基于混合编码量子进化的区间二型模糊神经网络。该模糊神经网络将混合编码量子进化算法与基于Mamdani模型的自组织区间二型模糊神经网络相结合,通过组合优化消除冗余的规则,通过实数部分优化网络的后件参数获得更好的初始值,并通过混合性能指标优化,在保证模型精度的同时简化了模型的结构,避免出现冗余的规则。通过与自适应模糊推理系统和自组织区间二型模糊神经网络对比分析,验证了混合编码量子进化的区间二型模糊神经网络的有效性。（4）针对纺织浆纱生产过程中工艺指标存在强非线性和不确定性,直接影响经纱可织性关键指标断头率,进而影响产品的优质品率和经济效益的问题,将本文所提出的基于等位基因的实数编码量子进化算法和基于混合编码量子进化的区间二型模糊神经网络用于经纱断头率的预测与优化。以浆纱工艺指标上浆率和回潮率作为输入,经纱断头率作为输出,通过区间二型模糊神经网络对样本数据进行学习得到经纱断头率预测模型,以预测输出为个体适应度,通过基于等位基因的实数编码量子进化算法对该优化问题进行求解,实现对经纱断头率的优化,为浆纱生产进行指导,提高产品质量。
李素真[9]（2015）在《监督预测控制算法的应用研究》文中研究说明预测控制作为处理现代工业过程控制的有力工具引起了广泛关注。其中监督预测控制（Supervisory Predictive Control）算法是预测控制的一种典型算法,基于SPC具有良好的控制性能和经济性能,在前人研究成果的基础上,对工业过程中的各种应用进行了一定程度的改进和研究。本文的主要工作和创新点包括：（1）针对多模型结构的非线性系统,在特殊工况下建立局部线性模型,分别设计独立的预测控制器,然后根据改进的权值设定方法进行线性输出加权。通过对权值的选取方法进行改进,首次利用监督预测控制算法中的目标函数,不仅包含了误差指标,同时还包含了经济性指标,相对于传统的设计方法而言,可以预防偏差的出现,同时可以抑制控制量的波动,从而进一步防止预测输出的超调。仿真结果验证了基于多模型结构的监督预测控制算法的可行性和有效性,从而为工业过程控制提供了有力的理论依据。（2）对于T-S模型所描述的一类非线性系统,利用多步线性化的模糊预测控制策略,在每个采样点线性化转化为线性时变状态空间模型,进而采用线性监督预测控制的算法进行仿真,进而验证了该算法的可行性。在设定值优化过程中,结合了遗传算法优化原理对设定值进行优化求解。通过单步模糊SPC和多步模糊SPC与传统的线性SPC以及非线性SPC进行对比仿真,仿真结果验证了基于遗传算法的模糊模型的多步SPC算法具有更好的控制性能。（3）利用最小二乘支持向量机回归的思想,对系统进行建模。提出了基于柯西分布加权的最小二乘支持向量机建模的方法,并把辨识出来的预测模型用于监督预测控制算法中,仿真结果表明基于最小二乘支持向量机的监督预测控制算法及基于柯西分布加权的最小二乘支持向量机的监督预测控制算法相比基于支持向量机的监督预测控制算法及传统的加权最小二乘支持向量机的监督预测控制算法具有更好的控制性能。（4）最小二乘支持向量机回归所建立的模型作为监督预测控制的对象,在优化问题上采用改进的粒子群优化算法进行设定值的动态优化计算,通过实际例子进行了仿真研究。（5）针对预测输出超调问题,对阶梯式监督预测控制算法进行改进,提出了单步输出阶梯式监督预测控制算法,通过引入单步预测输出差值项,从而达到一定的目的,并结合实例进行了仿真研究。
任燕燕[10]（2014）在《基于智能计算的非线性系统辨识算法研究及其应用》文中研究说明几乎所有的生产系统都是非线性系统,人们常说的线性系统是对系统非线性特性在某种程度上进行忽略或者某种假设条件下近似得到的,这种近似必然会产生误差,影响生产系统的控制效果。生产系统结构越来越复杂,包含的非线性特性也更多样化,简单的线性近似已经不能满足提高系统生产力的要求,所以,非线性系统辨识是大势所趋。到目前为止,没有一种通用的方法可以对不同结构的非线性系统进行辨识,一般是具有不同非线性特性的系统,用不同的辨识方法。模块化的非线性模型结构简单,内部连接方式明了,比较适合生产系统的辨识,是近年来颇受研究者青睐的一种非线性系统辨识常用的模型。模块化模型主要有Hammerstein模型（H模型）、Wiener模型（W模型）及后来出现的Hammerstein-Wiener模型（H-W模型）和Wiener-Hammerstein模型（W-H模型）。热工系统是规模庞大、结构复杂、控制要求较高的生产系统,生产过程中存在着不同程度的非线性,本文从自动控制系统的构成出发,分析了热工控制系统中执行器和检测变送器的非线性特性,进而得知,模块化的非线性模型适合于热工系统典型过程的辨识。本文重点研究了三种模块化非线性模型：Hammerstein模型、Wiener模型以及Hammerstein-Wiener模型。采用粒子群算法及其改进算法优化模型参数,用神经网络理论构造新的模块化模型及推导模型自身学习规则。借助分散控制系统存储的热工过程输入输出数据,将模块化模型的辨识方法应用于热工系统的辨识中。本文主要内容包括：1.提出了一种基于聚类分析的样条函数多项式Hammerstein模型,用粒子群算法寻优模型参数。将该辨识算法应用于热工系统某生产过程的辨识中,仿真结果表明了该样条函数Hammerstein模型辨识算法的有效性,为热工系统辨识提供了一种有效途径。2.提出了两种网络化Wiener模型,两种模型分别用BP网络和RBF网络表示模型的非线性部分,将模型转换成串联的网络结构；两种模型都采用双层优化策略,用BP算法和粒子群算法分内外两层优化模型参数。将这两种方法应用于热工系统两个对象的辨识,CO2浓度系统的辨识结果表明网络化W模型较样条函数H模型效果好,主汽压系统的辨识结果表明网络化W模型有较好的适用性。3.引入量子计算理论,用量子粒子群算法辨识一般指数多项式Hammerstein模型,并将该算法应用于热工系统的辨识。一般指数多项式模型结构简单,计算速度较快；量子粒子群算法较普通粒子群算法,增加了种群的多样性,一定程度上避免了早熟。从循环流化床机组三个对象的辨识结果可以看出,简单多项式H模型可以用于一部分实际系统的辨识,量子粒子群算法一定程度上可以提高指数多项式H模型的辨识精度。4.提出了一种网络化Hammerstein-Wiener模型,研究了一般多项式H-W模型和文中提出的网络化H-W模型的辨识方法,用量子粒子群算法辨识模型参数。分别将两种模型应用于热工系统两个典型环节的辨识,仿真结果表明了H-W模型能较好地表达生产系统的特性。本文主要研究基于智能计算的非线性模型辨识算法及其在热工系统中的应用,希望本文的研究工作能对热工系统的辨识有一定的理论与实践价值,并能对其它生产系统的辨识起到一定的启发作用。
二、基于混合进化策略的非线性系统辨识（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于混合进化策略的非线性系统辨识（论文提纲范文）
（1）基于结构自适应滤波方法的非线性系统辨识（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 系统辨识的定义及背景 |
| 1.2 非线性系统辨识理论的研究现状 |
| 1.2.1 神经网络建模 |
| 1.2.2 模块化建模方法 |
| 1.2.3 NARMAX模型 |
| 1.2.4 多模型 |
| 1.3 论文的主要工作和结构安排 |
| 第2章 系统辨识方法和演化算法介绍 |
| 2.1 系统辨识的一般步骤 |
| 2.2 本文所提出的系统辨识方法 |
| 2.3 所用演化算法的介绍 |
| 2.3.1 差分进化算法(DE) |
| 2.3.2 遗传算法(GA) |
| 2.3.3 基于成功父选择框架的差分进化算法(DESPS) |
| 2.3.4 粒子群优化算法(PSO) |
| 2.3.5 一种改进的多种群集成差分进化算法(IMPEDE) |
| 2.3.6 一种自适应多精英引导的复合差分进化算法(AMECo DEs) |
| 2.4 本章小结 |
| 第3章 基于AMECo DEs算法的结构自适应滤波模型设计和优化 |
| 3.1 子系统 |
| 3.1.1 子系统的线性部分 |
| 3.1.2 子系统的非线性部分 |
| 3.2 优化问题描述 |
| 3.2.1 算法个体信息描述 |
| 3.2.2 子系统连接方式 |
| 3.2.3 自适应模型的生成 |
| 3.3 算法优化流程 |
| 3.3.1 种群初始化 |
| 3.3.2 变异操作 |
| 3.3.3 转移机制 |
| 3.3.4 算法实现流程 |
| 3.4 输入输出数据的处理 |
| 3.4.1 输入数据的归一化 |
| 3.4.2 输出数据的还原 |
| 3.5 收敛性评价指标 |
| 3.6 本章小结 |
| 第4章 实验结果 |
| 4.1 不同超参数下的实验结果分析 |
| 4.1.1 不同子系统个数下的实验结果分析 |
| 4.1.2 不同种群大小下的实验结果分析 |
| 4.1.3 不同交叉率下的实验结果分析 |
| 4.1.4 不同连接概率下的实验结果分析 |
| 4.1.5 不同缩放因子下的实验结果分析 |
| 4.1.6 不同非线性函数下的实验结果分析 |
| 4.2 六种算法在非线性测试函数下的辨识结果 |
| 4.2.1 辨识对象一 |
| 4.2.2 辨识对象二 |
| 4.2.3 辨识对象三 |
| 4.2.4 辨识对象四 |
| 4.3 一个实际的液体饱和蒸汽热交换系统的辨识结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的成果 |
（2）基于智能计算的模块化非线性系统辨识研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 本课题相关领域的研究现状 |
| 1.2.1 智能计算领域的研究现状 |
| 1.2.2 神经网络的研究现状 |
| 1.2.3 智能优化算法的研究现状 |
| 1.2.4 模块化非线性系统辨识的研究现状 |
| 1.3 论文研究内容 |
| 第二章 基于改进粒子群优化算法的网络化Wiener模型辨识 |
| 2.1 引言 |
| 2.2 基于神经网络的Wiener模型 |
| 2.2.1 一般的Wiener模型 |
| 2.2.2 基于BP网络的Wiener模型 |
| 2.2.3 基于RBF网络的Wiener模型 |
| 2.3 改进的粒子群优化算法 |
| 2.3.1 标准粒子群优化算法 |
| 2.3.2 各个参数对算法性能的影响 |
| 2.3.3 MPSO算法 |
| 2.4 基于双层优化策略的辨识 |
| 2.4.1 双层优化策略 |
| 2.4.2 辨识过程 |
| 2.5 仿真实例 |
| 2.5.1 基于BP网络的Wiener模型辨识 |
| 2.5.2 基于RBF网络的Wiener模型辨识 |
| 2.6 小结 |
| 第三章 基于高斯混合飞蛾优化算法的Hammerstein模型辨识 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.2.1 单输入单输出Hammerstein模型 |
| 3.2.2 FLANN的结构 |
| 3.3 飞蛾扑火优化算法 |
| 3.4 高斯混合飞蛾优化算法 |
| 3.5 测试函数 |
| 3.5.1 算法参数设置 |
| 3.5.2 实验结果分析 |
| 3.6 基于GMFO算法的Hammerstein模型辨识 |
| 3.6.1 辨识原理及流程 |
| 3.6.2 仿真实例 |
| 3.7 小结 |
| 第四章 重尾噪声影响下MIMO Hammerstein模型辨识研究 |
| 4.1 引言 |
| 4.2 重尾噪声 |
| 4.3 问题公式化 |
| 4.3.1 MIMO Hammerstein模型 |
| 4.3.2 MIMO RBF神经网络的结构 |
| 4.4 重尾噪声下MIMO Hammerstein模型辨识 |
| 4.4.1 辨识过程 |
| 4.4.2 GMFO算法在解决重尾噪声下辨识问题的优势 |
| 4.5 仿真实验 |
| 4.5.1 仿真实验一 |
| 4.5.2 模型验证 |
| 4.5.3 仿真实验二 |
| 4.5.4 模型验证 |
| 4.5.5 仿真实验三 |
| 4.5.6 模型验证 |
| 4.6 小结 |
| 第五章 总结及展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（3）污水处理过程智能检测与优化控制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 课题来源 |
| 1.2 污水处理过程国内外研究现状 |
| 1.2.1 污水处理氨氮预测研究现状 |
| 1.2.2 污水处理过程优化控制研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文的组织构架 |
| 第2章 污水处理过程特性分析及控制系统设计 |
| 2.1 引言 |
| 2.2 污水处理过程概述 |
| 2.2.1 污水处理过程机理分析 |
| 2.2.2 污水处理过程工艺分析 |
| 2.2.3 污水处理过程影响要素分析 |
| 2.3 污水处理过程控制系统架构 |
| 2.3.1 污水处理过程控制流程 |
| 2.3.2 污水处理过程控制主要组成 |
| 2.4 污水处理过程关键变量检测 |
| 2.4.1 污水处理过程水质变量分析 |
| 2.4.2 污水处理过程水质状态分析 |
| 2.5 污水处理过程能耗和水质优化分析 |
| 2.5.1 污水处理过程能耗和水质多目标优化 |
| 2.5.2 污水处理动态过程能耗和水质优化 |
| 2.6 污水处理过程智能控制 |
| 2.6.1 污水处理过程控制目标分析 |
| 2.6.2 污水处理过程优化控制分析 |
| 2.6.3 污水处理动态过程优化控制分析 |
| 2.6.4 污水处理过程水质超标抑制控制分析 |
| 2.7 本章小结 |
| 第3章 污水处理过程出水氨氮预测 |
| 3.1 引言 |
| 3.2 城市污水处理过程水质变量分析 |
| 3.2.1 污水处理过程数据采集与预处理 |
| 3.2.2 污水处理过程水质参数特征变量选取 |
| 3.3 基于距离浓度的人工免疫自组织RBF神经网络 |
| 3.3.1 RBF神经网络结构 |
| 3.3.2 距离浓度人工免疫算法 |
| 3.3.3 人工免疫自组织RBF神经网络结构设计 |
| 3.3.4 收敛性分析 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真实验设计 |
| 3.4.2 仿真实验结果 |
| 3.4.3 实验结果讨论 |
| 3.5 本章小结 |
| 第4章 基于自适应混合进化人工免疫的多目标优化算法 |
| 4.1 引言 |
| 4.2 多目标优化问题 |
| 4.2.1 基本概念 |
| 4.2.2 免疫多目标优化 |
| 4.3 AUDHEIA算法设计与分析 |
| 4.3.1 映射和聚类 |
| 4.3.2 分布性判断模块 |
| 4.3.3 分布性加强模块 |
| 4.3.4 局部变异策略 |
| 4.3.5 进化策略 |
| 4.3.6 AUDHEIA算法 |
| 4.4 实验结果及分析 |
| 4.4.1 仿真实验设计 |
| 4.4.2 仿真实验结果 |
| 4.4.3 实验结果讨论 |
| 4.5 本章小结 |
| 第5章 基于AUDHEIA算法的污水处理优化控制方法 |
| 5.1 引言 |
| 5.2 污水处理过程分析 |
| 5.2.1 污水处理过程BSM1仿真模型 |
| 5.2.2 能耗和水质模型 |
| 5.3 污水处理过程优化控制方法 |
| 5.3.1 污水处理过程控制目标 |
| 5.3.2 污水处理过程多目标控制优化层设计 |
| 5.3.3 污水处理过程底层控制器设计 |
| 5.3.4 污水处理过程智能优化控制整体流程 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真实验设计 |
| 5.4.2 仿真实验结果 |
| 5.4.3 实验结果讨论 |
| 5.5 本章小结 |
| 第6章 城市污水处理动态过程优化控制方法 |
| 6.1 引言 |
| 6.2 城市污水处理动态特性分析 |
| 6.3 基于DMOIA的动态优化控制器 |
| 6.3.1 目标函数的设计 |
| 6.3.2 动态免疫优化算法设计 |
| 6.3.3 基于DMOIA的动态优化控制 |
| 6.4 实验结果与分析 |
| 6.4.1 仿真实验设计 |
| 6.4.2 仿真实验结果 |
| 6.4.3 实验结果讨论 |
| 6.5 本章小结 |
| 第7章 污水处理过程智能检测与优化控制系统 |
| 7.1 引言 |
| 7.2 污水处理数据分析 |
| 7.3 污水处理过程智能检测与优化控制 |
| 7.3.1 知识决策层 |
| 7.3.2 智能检测与优化控制系统结构 |
| 7.4 实验结果与分析 |
| 7.4.1 仿真实验设计 |
| 7.4.2 仿真实验结果 |
| 7.4.3 实验结果讨论 |
| 7.5 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 攻读博士学位期间参与的科研项目 |
| 致谢 |
（4）基于改进蝙蝠算法和RBF神经网络的非线性系统参数辨识研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 本课题相关领域的研究现状 |
| 1.2.1 智能优化算法的研究现状 |
| 1.2.2 蝙蝠算法的研究现状 |
| 1.2.3 人工神经网络的研究现状 |
| 1.2.4 非线性系统辨识的研究现状 |
| 1.3 课题来源 |
| 1.4 论文的结构与安排 |
| 第二章 非线性系统辨识方法研究 |
| 2.1 引言 |
| 2.2 非线性系统介绍 |
| 2.2.1 常见的非线性模型 |
| 2.2.2 常见的非线性特性 |
| 2.3 传统的参数辨识方法 |
| 2.3.1 最小二乘算法 |
| 2.3.2 极大似然法 |
| 2.4 基于神经网络的非线性系统辨识方法 |
| 2.4.1 神经网络系统辨识建模方法 |
| 2.4.2 仿真实验 |
| 2.5 小结 |
| 第三章 基于反向学习和柯西变异的蝙蝠算法 |
| 3.1 引言 |
| 3.2 标准的蝙蝠算法 |
| 3.2.1 蝙蝠算法的生物学基础 |
| 3.2.2 蝙蝠算法的基本原理和步骤 |
| 3.3 基于反向学习和柯西变异的蝙蝠算法(OCBA) |
| 3.3.1 蝙蝠算法的优缺点分析 |
| 3.3.2 反向学习策略 |
| 3.3.3 算法的改进原理 |
| 3.3.4 OCBA算法的步骤和流程图 |
| 3.4 OCBA算法性能测试 |
| 3.4.1 测试函数 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于OCBA算法在重尾噪声下的Hammerstein模型参数辨识 |
| 4.1 引言 |
| 4.2 重尾分布噪声 |
| 4.3 重尾噪声下单变量Hammerstein模型参数辨识 |
| 4.3.1 SISO-Hammerstein模型参数辨识 |
| 4.3.2 实验仿真 |
| 4.4 重尾噪声下输入多输出Hammerstein模型参数辨识 |
| 4.4.1 MIMO Hammerstein模型参数辨识 |
| 4.4.2 实验仿真 |
| 4.5 小结 |
| 第五章 基于CMBA算法的RBF神经网络非线性系统辨识 |
| 5.1 引言 |
| 5.2 径向基(RBF)神经网络 |
| 5.2.1 RBF神经网络结构 |
| 5.2.2 RBF神经网络训练过程 |
| 5.2.3 RBF神经网络辨识的缺点分析 |
| 5.3 带柯西变异的多agent蝙蝠算法(CMBA) |
| 5.3.1 CMBA算法寻优策略 |
| 5.3.2 CMBA算法步骤 |
| 5.3.3 CMBA算法性能测试 |
| 5.4 基于CMBA算法优化的RBF神经网络(CMBA-RBF) |
| 5.5 基于CMBA-RBF的MIMO-Hammerstein模型参数辨识 |
| 5.5.1 CMBA-RBF辨识MIMO Hammerstein模型的流程 |
| 5.5.2 实验仿真 |
| 5.6 本章小结 |
| 第六章 总结及展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（5）车用超级电容建模及在混合动力汽车中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 新能源汽车车载电源发展现状 |
| 1.2 超级电容分类及作为车载电源的研究现状 |
| 1.2.1 超级电容分类及储能机理 |
| 1.2.2 超级电容作为车载电源的应用 |
| 1.3 与本课题相关的国内外研究现状与发展综述 |
| 1.3.1 高性能超级电容存储能力发展现状 |
| 1.3.2 车用超级电容在线测试技术发展现状 |
| 1.3.3 超级电容建模与参数辨识发展现状 |
| 1.3.4 超级电容SOC估计方法发展现状 |
| 1.3.5 混合动力汽车能量管理策略发展现状 |
| 1.4 超级电容作为车载电源的难点和不足 |
| 1.4.1 车用超级电容性能测试方法的难点和不足 |
| 1.4.2 超级电容建模与参数辨识的难点和不足 |
| 1.4.3 超级电容SOC估计的难点和不足 |
| 1.4.4 混合动力汽车能量管理策略的难点和不足 |
| 1.5 本论文的主要研究内容 |
| 第2章 车用超级电容性能测试方法研究 |
| 2.1 车用超级电容在线测试平台设计 |
| 2.2 车用超级电容测试程序 |
| 2.2.1 碳基超级电容性能测试 |
| 2.2.2 赝电容/混合型超级电容性能测试 |
| 2.3 本章小结 |
| 第3章 超级电容建模与参数辨识 |
| 3.1 分数阶微积分定义及相关理论分析 |
| 3.2 超级电容分数阶模型 |
| 3.3 超级电容分数阶模型参数辨识 |
| 3.3.1 搜寻者优化算法 |
| 3.3.2 Nelder-Mead单纯形法 |
| 3.3.3 混合进化优化方法 |
| 3.4 动态工况下的模型效果验证 |
| 3.5 本章小结 |
| 第4章 基于模型控制器融合的超级电容SOC估计方法 |
| 4.1 H∞观测器理论基础 |
| 4.2 基于模型控制器融合的SOC状态估计 |
| 4.3 SOC状态观测器效果验证 |
| 4.4 本章小结 |
| 第5章 超级电容车载电源参数优化设计 |
| 5.1 混合动力汽车对车载电源的性能需求 |
| 5.2 基于目标循环工况的数据统计与分析 |
| 5.2.1 目标循环工况的数据采集 |
| 5.2.2 目标循环工况的运动学特征分析 |
| 5.3 超级电容参数优化设计 |
| 5.3.1 混合动力汽车车载电源性能对比分析 |
| 5.3.2 基于性能指标的超级电容车载电源参数优化设计 |
| 5.4 本章小结 |
| 第6章 超级电容混合动力汽车控制策略研究 |
| 6.1 基于ECMS实时能量管理策略研究 |
| 6.1.1 混合动力系统的优化控制问题模型 |
| 6.1.2 基于ECMS的实时优化控制策略 |
| 6.1.3 汉密尔顿函数最小化求解过程 |
| 6.2 基于遗传算法优化的AECMS油电等效因子 |
| 6.2.1 遗传算法求解油电等效因子 |
| 6.2.2 行驶工况运动学聚类分析 |
| 6.2.3 基于行驶工况特征的油电等效因子MAP建立 |
| 6.3 实时能量管理控制策略仿真 |
| 6.3.1 动力系统及控制策略仿真建模 |
| 6.3.2 典型循环工况下的控制策略验证 |
| 6.4 本章小节 |
| 第7章 快速控制原型开发与实车转鼓试验 |
| 7.1 超级电容混合动力汽车集成优化设计 |
| 7.1.1 超级电容混合动力汽车对车载电源性能需求 |
| 7.1.2 超级电容车载电源集成优化设计 |
| 7.2 混合动力车用超级电容基本性能测试 |
| 7.3 快速控制原型开发与实车试验 |
| 7.3.1 快速控制原型系统 |
| 7.3.2 超级电容混合动力汽车实车转鼓试验 |
| 7.4 本章小结 |
| 第8章 总结与展望 |
| 8.1 论文总结 |
| 8.2 论文主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
| 致谢 |
（6）抽水蓄能机组调速系统参数辨识及控制优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 抽水蓄能机组运行特点与特性 |
| 1.3 抽水蓄能机组调速系统辨识研究 |
| 1.4 水电机组调速系统控制优化研究 |
| 1.5 本文主要研究内容 |
| 2 抽水蓄能机组调速系统建模及非线性动力学分析 |
| 2.1 引言 |
| 2.2 调速器数学模型 |
| 2.3 引水系统数学模型 |
| 2.4 水泵水轮机数学模型 |
| 2.5 发电/电动机及负载模型 |
| 2.6 抽水蓄能机组调速系统仿真模型 |
| 2.7 基于调速系统非线性模型的动力学稳定性分析 |
| 2.8 本章小结 |
| 3 抽水蓄能机组调速系统参数辨识 |
| 3.1 引言 |
| 3.2 引力搜索算法 |
| 3.3 基于改进引力搜索的调速系统自适应参数辨识 |
| 3.4 基于调速系统“白箱”线性模型映射的BP神经网络参数辨识 |
| 3.5 本章小结 |
| 4 抽水蓄能机组调速系统分数阶PID控制器设计与参数优化 |
| 4.1 引言 |
| 4.2 分数阶微积分原理 |
| 4.3 多场景模式下分数阶PID控制器设计与参数优化 |
| 4.4 自适应快速模糊分数阶PID控制与参数优化 |
| 4.5 本章小结 |
| 5 复杂工况下抽水蓄能机组导叶关闭规律多目标优化 |
| 5.1 引言 |
| 5.2 导叶关闭规律优化问题描述 |
| 5.3 改进多目标引力搜索算法 |
| 5.4 复杂工况下机组导叶关闭规律多目标优化模型 |
| 5.5 基于IMOGSA的导叶关闭规律多目标优化求解策略 |
| 5.6 实例分析 |
| 5.7 本章小结 |
| 6 抽水蓄能机组调速系统控制优化与性能评估系统设计 |
| 6.1 引言 |
| 6.2 面向服务的抽水蓄能机组调速系统控制优化与性能评估系统设计 |
| 6.3 调速系统控制优化与性能评估系统在洪屏电站的应用 |
| 6.4 本章小结 |
| 7 全文总结及展望 |
| 7.1 全文工作总结 |
| 7.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 附录1: 攻读博士期间发表的论文 |
| 附录2: 攻读博士期间完成和参与的科研项目 |
| 附录3: 与导师合作申请的发明专利 |
| 附录4: 攻读博士期间奖励与授权研究成果 |
（7）燃煤机组全流程机理建模及若干关键运行与控制优化问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 工质与烟气物性参数在线计算 |
| 1.2.2 燃煤机组全流程机理建模 |
| 1.2.3 入炉煤低位发热量辨识 |
| 1.2.4 机组煤耗特性与多机组负荷调度 |
| 1.2.5 低压缸排汽湿度监测 |
| 1.2.6 冷端优化 |
| 1.2.7 机组能效实时评估 |
| 1.2.8 机组协调控制 |
| 1.3 本文的主要工作 |
| 第2章 全工况适用的工质和烟气物性参数在线计算方法 |
| 2.1 工质物性参数的在线计算 |
| 2.1.1 IAPWS-IF97 概述 |
| 2.1.2 IAPWS-IF97 公式3 区计算方法改进 |
| 2.1.3 水和水蒸气的物性参数特性分析 |
| 2.2 烟气物性参数的在线计算 |
| 2.2.1 烟气成分实时估计 |
| 2.2.2 烟气单组分的物性参数的在线计算 |
| 2.2.3 全工况范围可用的烟气物性参数在线计算方法 |
| 2.2.4 烟气物性参数的组分灵敏度分析 |
| 2.2.5 氧量测点对烟气物性参数计算精度的影响 |
| 2.3 本章小结 |
| 第3章 面向实时运行优化的燃煤机组全流程机理建模 |
| 3.1 燃煤机组全流程概述 |
| 3.2 燃煤机组锅炉侧机理建模 |
| 3.2.1 制粉系统模型 |
| 3.2.2 蒸发系统模型 |
| 3.2.3 换热器系统模型 |
| 3.2.4 金属壁能量补偿模型 |
| 3.2.5 热损失模型 |
| 3.3 燃煤机组汽机侧机理建模 |
| 3.3.1 汽轮机系统模型 |
| 3.3.2 回热抽汽系统模型 |
| 3.3.3 冷端系统模型 |
| 3.4 本章小结 |
| 第4章 基于全流程机理模型的关键变量监测与实时运行优化 |
| 4.1 入炉煤低位发热量在线辨识与燃烧优化、锅炉侧能效实时评估 |
| 4.1.1 入炉煤低位发热量在线辨识 |
| 4.1.2 基于入炉煤低位发热量实时辨识的燃料主控优化 |
| 4.1.3 基于入炉煤低位发热量实时辨识的锅炉侧能效评估 |
| 4.2 机组煤耗特性在线确定与多机组负荷调度 |
| 4.2.1 煤耗特性在线确定 |
| 4.2.2 基于煤耗特性在线确定的多模式多机组负荷调度 |
| 4.3 低压缸排汽湿度在线监测与冷端优化、汽机侧能效实时评估 |
| 4.3.1 低压缸排汽湿度在线监测 |
| 4.3.2 基于低压缸排汽湿度在线监测的冷端优化 |
| 4.3.3 基于低压缸排汽湿度在线监测的汽机侧能效实时评估 |
| 4.4 基于B/S模式的实时运行优化系统平台开发 |
| 4.5 本章小结 |
| 第5章 锅炉-汽轮机非线性状态空间模型及协调控制优化 |
| 5.1 机组协调控制概述 |
| 5.2 锅炉-汽轮机非线性状态空间模型与验证分析 |
| 5.2.1 建立锅炉-汽轮机非线性状态空间模型 |
| 5.2.2 模型辨识与验证 |
| 5.2.3 基于锅炉-汽轮机状态空间模型的开环实验分析 |
| 5.3 基于锅炉-汽轮机状态空间模型的机组协调控制策略研究 |
| 5.3.1 常规PID协调控制策略仿真与分析 |
| 5.3.2 基于反馈线性化的机组协调控制策略研究与仿真 |
| 5.3.3 常规PID、FL-PID、FL-SMC协调控制策略对比 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表和录用的学术论文 |
| 参加的主要科研项目 |
| 附录1 入炉煤低位发热量在线辨识方法长时段考核记录 |
（8）基于等位基因量子进化算法的经纱断头率优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 智能优化方法研究进展 |
| 1.2.2 智能建模方法研究进展 |
| 1.3 本文主要研究内容 |
| 第2章 量子计算与量子进化算法 |
| 2.1 量子计算基本原理 |
| 2.1.1 状态的叠加 |
| 2.1.2 状态的相干 |
| 2.1.3 状态的纠缠 |
| 2.1.4 量子的并行性 |
| 2.2 量子进化算法 |
| 2.2.1 量子比特（Q-bit）编码 |
| 2.2.2 量子状态的观测 |
| 2.2.3 基于量子门的更新机制 |
| 2.2.4 QEA算法描述 |
| 2.3 量子进化算法的性能比较与分析 |
| 2.3.1 背包问题的仿真研究 |
| 2.3.2 数值优化问题的仿真研究 |
| 2.3.3 结果分析 |
| 2.4 本章小结 |
| 第3章 基于等位基因的实数编码量子进化算法 |
| 3.1 等位基因的的实数编码方式 |
| 3.2 基于相对优良性的混合更新策略 |
| 3.3 收敛性分析 |
| 3.4 数值算例仿真 |
| 3.4.1 A-RQEA参数分析 |
| 3.4.2 数值算例与对比算法 |
| 3.4.3 仿真结果与结果分析 |
| 3.5 本章小结 |
| 第4章 基于混合编码量子进化算法的区间二型模糊神经网络 |
| 4.1 区间二型模糊神经网络结构 |
| 4.2 基于混合编码量子进化算法的区间二型模糊神经网络 |
| 4.2.1 网络结构的初始化 |
| 4.2.2 规则与初始后件参数优化 |
| 4.2.3 基于梯度下降的参数辨识 |
| 4.3 仿真实验对比分析 |
| 4.4 本章小结 |
| 第5章 经纱断头率的预测与优化 |
| 5.1 纺织浆纱生产过程描述 |
| 5.1.1 浆纱生产工艺过程 |
| 5.1.2 浆纱的主要工艺指标 |
| 5.1.3 经纱的可织性与影响因素 |
| 5.2 经纱断头率的预测与优化 |
| 5.2.1 问题描述 |
| 5.2.2 基于HCQEA-IT2FNN的断头率预测模型 |
| 5.2.3 基于A-RQEA的断头率优化 |
| 5.3 本章小结 |
| 第6章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（9）监督预测控制算法的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 预测控制的基本原理 |
| 1.2.1 预测模型 |
| 1.2.2 滚动优化 |
| 1.2.3 反馈校正 |
| 1.3 监督预测控制算法国内外研究现状 |
| 1.3.1 预测控制算法研究现状 |
| 1.3.2 监督预测控制算法研究现状 |
| 1.4 论文的主要内容 |
| 第2章 监督预测控制算法的基本理论 |
| 2.1 引言 |
| 2.2 监督预测控制算法 |
| 2.2.1 单变量监督预测控制算法 |
| 2.2.2 多变量监督预测控制算法 |
| 第3章 基于多模型结构的监督预测控制算法 |
| 3.1 引言 |
| 3.2 多模型结构的监督预测控制算法 |
| 3.2.1 多模型结构 |
| 3.2.2 多模型结构的权值设定 |
| 3.3 仿真研究 |
| 3.3.1 蒸馏塔温度控制的仿真 |
| 3.3.2 青霉素发酵过程的仿真 |
| 3.4 本章小结 |
| 第4章 基于T-S模型的监督预测控制算法 |
| 4.1 引言 |
| 4.2 基于T-S模糊模型的监督预测控制算法 |
| 4.2.1 过程对象模型 |
| 4.2.2 调节层模型 |
| 4.2.3 优化算法 |
| 4.2.4 仿真研究 |
| 4.3 基于遗传算法(GA)的模糊监督预测控制算法研究 |
| 4.3.1 基于遗传算法(GA)的模糊监督预测控制算法 |
| 4.3.2 数值仿真 |
| 4.3.3 实例仿真 |
| 4.4 本章小结 |
| 第5章 基于最小二乘支持向量机的监督预测控制算法 |
| 5.1 引言 |
| 5.2 SVM原理 |
| 5.2.1 SVM回归算法 |
| 5.2.2 核函数的选取 |
| 5.3 LS-SVM介绍 |
| 5.3.1 加权LS-SVM |
| 5.3.2 基于柯西分布加权的LS-SVM |
| 5.4 多变量输出LS-SVM |
| 5.5 仿真研究 |
| 5.5.1 基于单变量的LS-SVM的监督预测控制算法 |
| 5.5.2 基于柯西分布加权的LS-SVM的监督预测控制算法 |
| 5.5.3 基于多变量的LS-SVM的监督预测控制算法 |
| 5.6 本章小结 |
| 第6章 基于LS-SVM及粒子群改进算法的监督预测控制算法 |
| 6.1 引言 |
| 6.2 PSO算法 |
| 6.2.1 PSO原理 |
| 6.2.2 PSO改进算法 |
| 6.2.3 基于PSO的监督预测控制算法 |
| 6.3 仿真研究 |
| 6.3.1 针对一般线性系统仿真 |
| 6.3.2 实例仿真 |
| 6.4 本章小结 |
| 第7章 改进的监督预测控制算法 |
| 7.1 阶梯式监督预测控制算法 |
| 7.2 单步预测输出阶梯式监督预测控制算法 |
| 7.3 本章小结 |
| 第8章 结论及展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
| 作者简介 |
（10）基于智能计算的非线性系统辨识算法研究及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| Contents |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 实际生产系统辨识研究的必要性 |
| 1.1.2 热工系统辨识研究的可行性 |
| 1.1.3 热工系统的运行现状 |
| 1.2 非线性模型辨识理论研究及应用发展现状 |
| 1.2.1 神经网络建模方法 |
| 1.2.2 模块化非线性模型建模方法 |
| 1.3 智能计算理论研究及应用发展现状 |
| 1.4 本文主要研究内容、研究意义和结构安排 |
| 第2章 系统辨识基础知识与热工系统非线性分析 |
| 2.1 引言 |
| 2.2 基础知识 |
| 2.2.1 系统辨识的定义 |
| 2.2.2 系统辨识的基本步骤 |
| 2.2.3 模块化非线性模型 |
| 2.3 热工控制系统概述 |
| 2.4 执行器 |
| 2.4.1 执行器基本概况 |
| 2.4.2 电动执行机构工作原理 |
| 2.4.3 控制机构主要特性 |
| 2.4.4 执行器中常见的非线性特性 |
| 2.4.5 热工系统调节阀的非线性现象 |
| 2.4.6 执行器非线性特性的补偿 |
| 2.5 检测变送器 |
| 2.5.1 检测系统基本概况 |
| 2.5.2 传感器工作原理 |
| 2.5.3 传感器的非线性特性 |
| 2.5.4 热工仪表非线性的校正 |
| 2.6 热工系统模型结构的选择 |
| 2.6.1 控制系统广义被控对象 |
| 2.6.2 模块化模型结构的提取 |
| 2.7 本章小结 |
| 第3章 样条函数Hammerstein模型辨识算法研究及其应用 |
| 3.1 引言 |
| 3.2 基于k均值聚类的样条函数Hammerstein模型 |
| 3.2.1 三次样条函数 |
| 3.2.2 k均值聚类 |
| 3.2.3 基于聚类处理的三次样条函数Hammerstein模型 |
| 3.3 粒子群优化算法 |
| 3.3.1 粒子群优化算法基本原理 |
| 3.3.2 粒子群优化算法计算步骤及流程图 |
| 3.3.3 粒子群优化算法稳定性分析 |
| 3.4 基于粒子群算法的样条函数Hammerstein模型辨识 |
| 3.4.1 辨识算法原理 |
| 3.4.2 辨识算法计算步骤 |
| 3.5 热工对象辨识 |
| 3.6 本章小结 |
| 第4章 网络化Wiener模型辨识算法研究及其应用 |
| 4.1 引言 |
| 4.2 两种网络化Wiener模型 |
| 4.2.1 一般Wiener模型 |
| 4.2.2 基于BP网络的Wiener模型 |
| 4.2.3 基于RBF网络的Wiener模型 |
| 4.3 双层优化策略 |
| 4.4 网络化Wiener模型双层优化策略辨识 |
| 4.4.1 辨识算法原理 |
| 4.4.2 基于BP网络的Wiener模型辨识算法计算步骤 |
| 4.4.3 基于RBF网络的Wiener模型辨识算法计算步骤 |
| 4.5 热工对象辨识 |
| 4.5.1 基于BP网络的Wiener模型辨识算法应用 |
| 4.5.2 基于RBF网络的Wiener模型辨识算法应用 |
| 4.6 本章小结 |
| 第5章 基于量子粒子群的Hammerstein模型辨识算法研究及其应用 |
| 5.1 引言 |
| 5.2 一般指数多项式Hammerstein模型 |
| 5.3 量子粒子群优化算法 |
| 5.3.1 量子计算基础 |
| 5.3.2 量子粒子群优化算法基本原理 |
| 5.3.3 量子粒子群优化算法计算步骤及流程图 |
| 5.4 基于量子粒子群算法的Hammerstein模型辨识 |
| 5.4.1 辨识算法原理 |
| 5.4.2 辨识算法计算步骤 |
| 5.5 热工对象辨识 |
| 5.5.1 主汽压系统辨识 |
| 5.5.2 汽包水位系统辨识 |
| 5.5.3 主蒸汽温度系统辨识 |
| 5.6 本章小结 |
| 第6章 基于量子粒子群的Hammerstein-Wiener模型辨识算法研究及其应用 |
| 6.1 引言 |
| 6.2 两种Hammerstein-Wiener模型 |
| 6.2.1 一般指数多项式Hammerstein-Wiener模型 |
| 6.2.2 MISO网络Hammerstein-Wiener模型 |
| 6.3 基于量子粒子群算法的Hammerstein-Wiener模型辨识 |
| 6.3.1 辨识算法原理 |
| 6.3.2 辨识算法计算步骤 |
| 6.4 热工对象辨识 |
| 6.4.1 多项式Hammerstein-Wiener模型辨识算法应用 |
| 6.4.2 MISO网络Hammerstein-Wiener模型辨识算法应用 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文的主要工作及创新点 |
| 7.2 今后的研究方向 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、基于混合进化策略的非线性系统辨识（论文参考文献）
- [1]基于结构自适应滤波方法的非线性系统辨识[D]. 冯子凯. 河南大学, 2020(02)
- [2]基于智能计算的模块化非线性系统辨识研究[D]. 王迦祺. 北京化工大学, 2020(02)
- [3]污水处理过程智能检测与优化控制的研究[D]. 李霏. 北京工业大学, 2020
- [4]基于改进蝙蝠算法和RBF神经网络的非线性系统参数辨识研究[D]. 卢得龙. 北京化工大学, 2019(06)
- [5]车用超级电容建模及在混合动力汽车中的应用[D]. 赵竟园. 吉林大学, 2018(12)
- [6]抽水蓄能机组调速系统参数辨识及控制优化研究[D]. 许颜贺. 华中科技大学, 2017(10)
- [7]燃煤机组全流程机理建模及若干关键运行与控制优化问题研究[D]. 徐亮. 上海交通大学, 2016(01)
- [8]基于等位基因量子进化算法的经纱断头率优化研究[D]. 钱小毅. 沈阳工业大学, 2016(06)
- [9]监督预测控制算法的应用研究[D]. 李素真. 华北电力大学, 2015(01)
- [10]基于智能计算的非线性系统辨识算法研究及其应用[D]. 任燕燕. 华北电力大学, 2014(12)