基于遗传算法遍历辨识的未知模型阶次确定方法属于不确定系统辨识建模技术领域，其特征在于，含有：初始设定、递增辨识和阶次确定三个阶段，其中：初始设定阶段用于设定未知模型阶次的搜索范围，含有频域响应数据、设定模型阶次上下限和阶次初始化三个步骤；递增辨识阶段用于在设定的阶段内搜索辨识所有的模型结构，含有遗传算法辨识、记录辨识结果和阶次递增三个步骤；阶次确定阶段用于通过代价函数找出最优的模型结构，含有代价函数寻优和确定阶次组合两个步骤，其中：通过以上三个阶段，可以遍历辨识未知模型的所有可能的阶次组合，并利用遗传算法对各种阶次组合进行最大程度的逼近，随后在辨识结果中寻找最小代价函数对应的阶次组合，即可确定该未知模型的阶次。本发明专利技术利用遗传算法，对未知模型的频域响应数据进行阶次遍历系统辨识，并以此找到与实验数据最为逼近的模型结构，从而依靠实验数据和寻优手段完成对未知模型的阶次确定。
【技术实现步骤摘要】
本专利技术是用于确定未知模型阶次的方法，能够依靠实验数据精确地确定未知模型 的阶次。主要应用在不确定系统、航空航天、机器人等
技术介绍
确定未知系统的阶次，是未知系统建模以及动态特性分析的关键步骤。以往的确 定阶次的方法通常是机理分析，并采用简化和近似等手段，以得到其近似的阶次。然而对于 一些复杂的系统，很难而又迫切需要准确确定其动力学模型阶次。以直升机和倾转旋翼机 为例，其操纵、动力系统和工作状态甚为复杂。不仅如此，此类飞行器在其各种飞行状态中， 其表面通常为紊乱且随时发生变化的流场。流场对动力学模型的影响甚大，而目前尚无有 效的手段对流场的影响进行量化。因此，采用机理建模方法很难准确有效地确定模型阶次。然而，诸如飞行器等很多未知系统具有一致性良好的频域响应特性。因此，本专利技术 采用实验的手段，利用未知系统的频域响应数据确定其阶次。思路是采用遗传算法分别对 其各种可能的阶次组合进行辨识，然后找出与频域响应数据最为接近的一个阶次组合，从 而确定未知模型的阶次。本专利技术避免了复杂的动力学分析，完全依赖实验数据和计算机处 理，并充分利用了遗传算法高效率、高精度和能对多变量同时优化的特点，从而可以完全地 试探未知模型的各种阶次结组合。因此，粗略而繁杂的机理分析建模过程为本专利技术的遍历 辨识所替代，并由计算机来全自动地完成，从而可得到真实而精确的结果。此外，与传统的 阶次确定方法相比，本算法的优点是原理简单、真实准确、结果可信度高。
技术实现思路
本专利技术的目的在于提供一种用于精确地确定未知模型阶次的方法。本专利技术的特征在于，含有初始设定、递增辨识和阶次确定三个阶段，其中初始 设定阶段用于设定未知模型阶次的搜索范围，含有频域响应数据、设定模型阶次上下限和 阶次初始化三个步骤；递增辨识阶段用于在设定的阶段内搜索辨识所有的模型结构，含有 遗传算法辨识、记录辨识结果和阶次递增三个步骤；阶次确定阶段用于通过代价函数找出 最优的模型结构，含有代价函数寻优和确定阶次组合两个步骤，其中通过以上三个阶段，可以在遍历未知模型的所有可能的阶次组合，通过从辨识频 域响应数据的过程中，寻找最小代价函数对应的辨识模型，从而可以确定与该未知模型的 阶次。本专利技术的优点在于不需对复杂的不确定模型进行繁琐的机理建模过程，而只需 实验得到的频域响应数据即可由计算机完成模型阶次的确定。此外，本专利技术还有简单快捷、 准确度高、通用性强的优点。附图说明图1是的流程图。图1中通过初始设定、递增辨识和阶次确定三个阶段，即可确定未知模型的阶次。 具体实施例方式由初始设定、递增辨识和阶次确 定三个阶段组成。其中初始设定、递增辨识和阶次确定三个阶段，其中初始设定阶段用 于设定未知模型阶次的搜索范围，含有频域响应数据、设定模型阶次上下限和阶次初始化 三个步骤；递增辨识阶段用于在设定的阶段内搜索辨识所有的模型结构，含有遗传算法辨 识、记录辨识结果和阶次递增三个步骤；阶次确定阶段用于通过代价函数找出最优的模型 结构，含有代价函数寻优和确定阶次组合两个步骤。在初始设定阶段的处理如下在频域响应数据步骤，需要准备辨识实验中得到的 未知模型的频域响应数据；在设定模型阶次上下限步骤，需要设定未知模型的阶次组合的 下限(n，m)和上限(N，M)，且满足(n < = m，N < = Μ，η < N，m < = M)；在阶次初始化步骤， 分别将辨识模型分子和分母的阶次设定为η和m，以形成一个阶次组合的模型用于辨识。在递增辨识阶段的处理如下在遗传算法辨识步骤，利用遗传算法对当前阶次组 合的模型进行辨识；在记录辨识结果步骤，将辨识得到的代价函数和阶次组合记录下来，用 于阶次寻优；在阶次递增步骤，通过判断当前的分子分母阶次是否同时满足递增条件，以决 定分子或分母阶次的递增。经过阶次递增，完成对所有可能的阶次组合进行遍历。阶次递 增规则为如果分子阶次< =分母阶次且分母阶次<=M则分子阶次递增；如果分子阶次>分母阶次且分母阶次<=M则分母阶次递增且分子阶次置0 ；如果分母阶次> M则阶次递增结束。在阶次确定阶段的处理如下在代价函数寻优步骤，对所有阶次组合模型的代价 函数进行寻优。在确定阶次组合步骤，根据代价函数的寻优结果，得到代价函数最小的阶次 组合Ovmtl)。代价函数反映模型与频域响应数据的误差。代价函数越小，则误差越小。因 此，代价函数最小的阶次组合Ovmtl)就是模型的阶次。综上，本专利技术采用实验的手段，利用未知系统的频域响应数据而确定其阶次。思路 是采用遗传算法分别对未知模型各种可能的阶次组合进行辨识，然后找出与频域响应数据 最为接近的一个阶次组合，从而确定未知模型的阶次。本专利技术避免了复杂的动力学分析，完全依赖实验数据和计算机自动处理，从而可 获得人工计算所不能得到的建模精度。本专利技术充分利用了遗传算法高效率、高精度和能对 多变量同时优化的特点，从而可以完全地试探未知模型的各种阶次结组合。因此，粗略而繁 杂的机理分析建模过程为本专利技术的遍历辨识所替代，并由计算机来全自动地完成，从而可 以方便快速地确定模型阶次。此外，与传统的阶次确定方法相比，本专利技术还有简单快捷、准 确度高、通用性强的优点。权利要求，其特征在于，含有初始设定、递增辨识和阶次确定三个阶段，其中初始设定阶段用于设定未知模型阶次的搜索范围，含有频域响应数据、设定模型阶次上下限和阶次初始化三个步骤；递增辨识阶段用于在设定的阶段内搜索辨识所有的模型结构，含有遗传算法辨识、记录辨识结果和阶次递增三个步骤；阶次确定阶段用于通过代价函数找出最优的模型结构，含有代价函数寻优和确定阶次组合两个步骤，其中在初始设定阶段，模型阶次下限和上限分别设置为(n，m)和(N，M)，且满足(n＜＝m，N＜＝M，n＜N，m＜＝M)；在递增辨识阶段，阶次递增的规则为如果 分子阶次＜＝分母阶次 且 分母阶次＜＝M则 分子阶次递增；如果 分子阶次＞分母阶次 且 分母阶次＜＝M则 分母阶次递增 且 分子阶次置0；如果 分母阶次＞M则 阶次递增结束；通过以上三个阶段，可以利用遗传算法遍历辨识未知模型的所有可能的阶次组合，并利用遗传算法对各种阶次组合进行最大程度的逼近，随后在辨识结果中寻找最小代价函数对应的阶次组合，即可确定该未知模型的阶次。全文摘要属于不确定系统辨识建模
，其特征在于，含有初始设定、递增辨识和阶次确定三个阶段，其中初始设定阶段用于设定未知模型阶次的搜索范围，含有频域响应数据、设定模型阶次上下限和阶次初始化三个步骤；递增辨识阶段用于在设定的阶段内搜索辨识所有的模型结构，含有遗传算法辨识、记录辨识结果和阶次递增三个步骤；阶次确定阶段用于通过代价函数找出最优的模型结构，含有代价函数寻优和确定阶次组合两个步骤，其中通过以上三个阶段，可以遍历辨识未知模型的所有可能的阶次组合，并利用遗传算法对各种阶次组合进行最大程度的逼近，随后在辨识结果中寻找最小代价函数对应的阶次组合，即可确定该未知模型的阶次。本专利技术利用遗传算法，对未知模型的频域响应数据进行阶次遍历系统辨识，并以此找到与实验数据最为逼近的模型结构，从而依靠实验数据和寻优手段完成对未知模型的阶次确定。文档编号G06N3/12GK101950375本文档来自技高网...
【技术保护点】
基于遗传算法遍历辨识的未知模型阶次确定方法，其特征在于，含有：初始设定、递增辨识和阶次确定三个阶段，其中：初始设定阶段用于设定未知模型阶次的搜索范围，含有频域响应数据、设定模型阶次上下限和阶次初始化三个步骤；递增辨识阶段用于在设定的阶段内搜索辨识所有的模型结构，含有遗传算法辨识、记录辨识结果和阶次递增三个步骤；阶次确定阶段用于通过代价函数找出最优的模型结构，含有代价函数寻优和确定阶次组合两个步骤，其中：在初始设定阶段，模型阶次下限和上限分别设置为：（ｎ，ｍ）和（Ｎ，Ｍ），且满足（ｎ＜＝ｍ，Ｎ＜＝Ｍ，ｎ＜Ｎ，ｍ＜＝Ｍ）；在递增辨识阶段，阶次递增的规则为：如果分子阶次＜＝分母阶次 且 分母阶次＜＝Ｍ则分子阶次递增；如果分子阶次＞分母阶次 且 分母阶次＜＝Ｍ则分母阶次递增且分子阶次置０；如果分母阶次＞Ｍ则阶次递增结束；通过以上三个阶段，可以利用遗传算法遍历辨识未知模型的所有可能的阶次组合，并利用遗传算法对各种阶次组合进行最大程度的逼近，随后在辨识结果中寻找最小代价函数对应的阶次组合，即可确定该未知模型的阶次。
【技术特征摘要】
【专利技术属性】
技术研发人员：王冠林，夏慧，朱纪洪，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。