一种非线性系统识别方法及设备
阅读：468发布：2020-07-27
专利汇可以提供一种非线性系统识别方法及设备专利检索，专利查询，专利分析的服务。并且本 发明 提供的非线性系统识别方法，构建以下数据模型： 其中，u为输入的单位方差的零均值高斯序列，z(u)为将u映射到有限维度的向量，Ωo为最优权重向量，v是系统干扰噪声；d为期望 信号 ；采集被控系统的输入数据和输出数据，以获得训练样本；将所述训练样本输入至所述数据模型中，对数据模型进行训练；当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ωo时，输出该数据模型，实现系统 跟踪 。该方法适用于参数或者特性未知或经常处于变化的被控系统的系统识别，提高了识别准确度。，下面是一种非线性系统识别方法及设备专利的具体信息内容。
1.一种非线性系统识别方法，其特征在于，包括以下步骤：
构建以下数据模型： 其中，u为输入的单位方差的零均值高斯序列，z
(u)为将u映射到有限维度的向量，Ωo为最优权重向量，v是系统干扰噪声；d为期望信号；
采集被控系统的输入数据和输出数据，以获得训练样本；
将所述训练样本输入至所述数据模型中，对数据模型进行训练；
当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ωo时，输出该数据模型，实现系统跟踪。
2.根据权利要求1所述非线性系统识别方法，其特征在于，
所述输出的数据模型为：
其中， 为离散时间i的期望输出；Ω为自适应权重向量；z(u(i))为将u(i)映射到有限维度的向量，u(i)为离散时间i输入的单位方差的零均值高斯序列。
3.根据权利要求2所述非线性系统识别方法，其特征在于，
所述z(u(i))通过下式计算得到：
其中，λi为特征值，φi(u)为特征函数， 是近似于核矩阵的第i个采
样， Φm(u)是核向量；u是u(i)的
缩写，Km＝κ(u(i)，u(j))，i，j∈{1，2....，m}，
表示维度为m的第j列特征向量，κ表示高斯核函数。
4.根据权利要求3所述非线性系统识别方法，其特征在于，
所述 通过下式计算得到：
其中，训练样本集 其中L为训练样本集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心， 通过k-means分解成k个不相交的簇，
是第i个星系团ci(i＝1，2，...，k)，Ij＝1，2，...，si的点， 为l维实数空间。
5.根据权利要求4所述非线性系统识别方法，其特征在于，
所述Ω通过下式计算得到：
Ω(i)＝Ω(i-1)+ηh(e(i))z(u(i))；
其中，η是步长参数，h(e(i))＝exp(λ(1-exp(-βe2(i))))exp(-βe2(i))e(i)，β是核参数，e(i)为误差信号，λ是风险敏感参数。
6.一种非线性系统识别设备，其特征在于，包括：
构建单元：用于构建以下数据模型： 其中，u为输入的单位方差的零均
值高斯序列，z(u)为将u映射到有限维度的向量，Ωo为最优权重向量，v是系统干扰噪声；d为期望信号；
采集单元：用于采集被控系统的输入数据和输出数据，以获得训练样本；
训练单元：用于将所述训练样本输入至所述数据模型中，对数据模型进行训练；当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ωo时，输出该数据模型，实现系统跟踪。
7.根据权利要求6所述非线性系统识别设备，其特征在于，
所述输出的数据模型为：
其中， 为离散时间i的期望输出；Ω为自适应权重向量；z(u(i))为将u(i)映射到有限维度的向量，u(i)为离散时间i输入的单位方差的零均值高斯序列。
8.根据权利要求7所述非线性系统识别设备，其特征在于，
所述z(u(i))通过下式计算得到：
其中，λi为特征值，φi(u)为特征函数， 是近似于核矩阵的第i个采样点；
Φm(u)是核向量；u是u(i)
的缩写，Km＝κ(u(i)，u(j))，i，j∈{1，2，...，m}，
表示维度为m的第j列特征向量，κ表示高斯核函数。
9.根据权利要求8所述非线性系统识别设备，其特征在于，
所述 通过下式计算得到：
其中，训练样本集 其中L为训练样本集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心， 通过k-means分解成k个不相交的簇，
是第i个星系团ci(i＝1，2，...，k)，Ij＝1，2，...，si的点， 为l维实数空间。
10.根据权利要求9所述非线性系统识别设备，其特征在于，
所述Ω通过下式计算得到：
Ω(i)＝Ω(i-1)+ηh(e(i))z(u(i))；
其中，η是步长参数，h(e(i))＝exp(λ(1-exp(-βe2(i))))exp(-βe2(i))e(i)，β是核参数，e(i)为误差信号，λ是风险敏感参数。
一种非线性系统识别方法及设备
技术领域
背景技术
[0002] 工业大生产的发展，要求将控制技术提高到更高的水平。现代控制理论的应用是建立在已知受控对象的数学模型上，而当前对受控对象数学模型的研究相对较为滞后，现代控制理论的应用遇到了各种困难，例如需要确定适合受控对象的数学模型，因此系统识别成为应用现代控制理论的重要方法。另外，随着计算机科学的飞速发展，计算机为识别系统所需要的在线计算提供了高效的工具，在这样的背景下，系统识别问题便越来越受到人们的重视，成为了发展系统理论，是开展实际应用工作中必不可少的组成部分。
[0003] 然而，一些实际被控系统是很难事先通过机理建模或离线系统识别来确定的，或者它们的数学模型的一些参数或者结构处于变化之中，对于这类事先难以确定数学模型的系统，通过事先整定好的控制参数的常规控制是难以对付的。所以面对上述系统特性未知或经常处于变化、而无法完全事先确定的情况，如何设计一个满意的非线性系统识别方法，能够主动适应这些特性未知或变化的情况，是自适应控制所要研究解决的问题。
发明内容
[0005] 第一方面，一种非线性系统识别方法，包括以下步骤：
[0007] 采集被控系统的输入数据和输出数据，以获得训练样本；
[0008] 将所述训练样本输入至所述数据模型中，对数据模型进行训练；
[0009] 当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ωo时，输出该数据模型，实现系统跟踪。
[0010] 优选地，所述输出的数据模型为：
[0011]
[0012] 其中， 为离散时间i的期望输出；Ω为自适应权重向量；z(u(i))为将u(i)映射到有限维度的向量，u(i)为离散时间i输入的单位方差的零均值高斯序列。
[0013] 优选地，所述z(u(i))通过下式计算得到：
[0014]
[0015] 其中，λi为特征值，φi(u)为特征函数， 是近似于核矩阵的第i个采样点；
[0017] 优选地，所述 通过下式计算得到：
[0018]
[0019] 其中，训练样本集 其中L为训练样本集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心，U通过k-means分解成k个不相交的簇，
[0020]
[0022] 优选地，所述Ω通过下式计算得到：
[0023] Ω(i)＝Ω(i-1)+ηh(e(i))z(u(i))；
[0025] 第二方面，一种非线性系统识别设备，包括：
[0026] 构建单元：用于构建以下数据模型： 其中，u为输入的单位方差的零均值高斯序列，z(u)为将u映射到有限维度的向量，Ωo为最优权重向量，v是系统干扰噪声；d为期望信号；
[0027] 采集单元：用于采集被控系统的输入数据和输出数据，以获得训练样本；
[0028] 训练单元：用于将所述训练样本输入至所述数据模型中，对数据模型进行训练；当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ωo时，输出该数据模型，实现系统跟踪。
[0029] 优选地，所述输出的数据模型为：
[0030]
[0031] 其中， 为离散时间i的期望输出；Ω为自适应权重向量；z(u(i))为将u(i)映射到有限维度的向量，u(i)为离散时间i输入的单位方差的零均值高斯序列。
[0032] 优选地，所述z(u(i))通过下式计算得到：
[0033]
[0034] 其中，λi为特征值，φi(u)为特征函数， 是近似于核矩阵的第i个采样点；
[0035] Φm(u)是核向量；u是u(i)的缩写，Km＝κ(u(i)，u(j))，i，j∈{1，2，...，m}，
表示维度为m的第j列特征向量，κ表示高斯核函数。
表示维度为m的第j列特征向量，κ表示高斯核函数。
[0036] 优选地，所述 通过下式计算得到：
[0037]
[0038] 其中，训练样本集 其中L为训练样本集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心，U通过k-means分解成k个不相交的簇，
[0039]
[0040] 是第i个星系团ci(i＝1，2，...，k)，Ij＝1，2，...，si的点， 为l维实数空间。
[0041] 优选地，所述Ω通过下式计算得到：
[0042] Ω(i)＝Ω(i-1)+ηh(e(i))z(u(i))；
[0043] 其中，η是步长参数，h(e(i))＝exp(λ(1-exp(-βe2(i))))exp(-βe2(i))e(i)，β是核参数，e(i)为误差信号，λ是风险敏感参数。
[0045] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0047] 图2为FIR系统识别的仿真结果。
[0048] 图3为另一种系统识别的仿真结果。
具体实施方式
[0050] 下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0051] 应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0052] 还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0053] 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0054] 如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0055] 对于非线性问题，风险敏感损失(KRSL)表现出较差的性能，而最小化风险敏感损失(MKRSL)算法通过使用内核技巧将输入数据转换为内核特性空间来提供理想的性能。但这个内核学习方法计算量大，存储量大，限制了其在线应用，为了抑制结构的生长，人们开发了许多稀疏化方法，如SC准则、NC准则、相干准则、近似线性依赖准则和矢量量化准则。虽然这些稀疏化方法能降低内核算法的计算复杂度和储存需求，但是不能固定维度，而且其还是暴露出计算成本消耗问题，给实际应用带来很大的挑战。为了得到一个固定维数的网络结构，有两种方法最为出名，一种利用随机傅里叶特征映射(RFFM)将原始输入数据转换为有限维随机傅里叶特征(RFF)空间，产生随机傅里叶特征核最大相关准则(RFFKMCC)算法，RFF方法虽然采用固定的维数结构，但其性能受到大量随机傅立叶特征的保证，导致时间和存储复杂度的增加。
[0056] 低秩近似是用核矩阵的低秩近似代替核矩阵，是进一步减少核方法的时间和存储负担的另一种有效方法，低秩近似方法包括 方法， 方法在计算量和存储效率方面优于RFF方法，因为 方法中使用的采样点的大小小于RFF方法中使用的随机傅里叶特征的数量。
[0057] 为此，本申请针对核方法及其稀疏形式的问题，为了进一步提高滤波性能，在NysMKRSL中采用k-means采样。所提出的NysMKRSL-KM方法具有较低的时间和内存消耗，可以达到与基于随机梯度下降方法的传统的核自适应方法相当的性能。
[0058] 实施例一：
[0059] 参见图1，该方法整体包括风险敏感损失(KRSL)， 方法，k-means采样和NysMKRSL-KM四大部分内容。
[0060] (1)Kernel risk-sensitive loss criterion
[0061] 风险敏感损失是在内核空间中定义的，称为内核风险敏感损失(KRSL)，定义两个随机变量X和Y，KRSL被定义如下：
[0062]
[0063] 这里的λ＞0是风险敏感的参数，E是数学期望，‖·‖为欧几里德范数，FXY(x,y)为(X,Y)的联合分布函数，而κσ(·)代表一个平移不变的内核与带宽σ如下：
[0064]
[0065] 然而，在实际中，X和Y的联合分布通常是未知的，因此，经验KRSL的定义如下：
[0066]
[0067] 其中 表示可用的有限样本数，N为样本容量。
[0068] (2) 方法
[0069] 采集被控系统的输入数据和输出数据，以获得训练样本；假设训练样本为其中 为输入向量，d(i)为期望信号。为了估计训练样本中存在的映射关系 为l维实数空间，利用核函数可以有效地重构映射函数，映射f
(·)可以写成RKHS中的线性形式如下：
(·)可以写成RKHS中的线性形式如下：
[0070]
[0071] 这里的ω是RKHS中的权向量， 是将原始输入数据通过核函数技巧转换为RKHS的非线性函数。
[0072] 然后,数据矩阵 在再生核希尔伯特空间理论在表示如下：
[0073]
[0074] 并且核矩阵 在RKHS中表示为
[0075] K＝ΦTΦ (6)
[0076] 然而，当数据集n足够大时，内核方法往往会在时间消耗和内存需求方面承受巨大的负担。一般情况下，核方法对核矩阵进行低秩近似是有效的，而 方法从K的行/列的子集逼近K，利用 方法求解核特征函数问题如下：
[0077] ∫κ(u,u′)p(u′)φi(u′)du′＝λiφi(u) (7)
[0078] 这里的p(·)是概率密度函数，u,u′∈U，φ1,φ2,...,φi是特征向量，对应的特征值为λ1≥λ2≥...≥0。这个积分等式可以用一组样本值 来近似其经验平均值如下所示：
[0079]
[0080] 利用特征值分解得到的矩阵形式是KmΨm＝ΨmΛm，这里的Km＝κ(u(i),u(j)),i,j∈{1,2,...,m}, m个非负特征值的对角矩阵为递减矩阵，对应的特征向量为矩阵 然后,特征函数φi和特征值λi可以分别用Ψm和Λm
近似如下
近似如下
[0081]
[0082]
[0083] 现在，考虑RKHS中定义的内核映射：
[0084]
[0085] 基于(9)和(10)，φi(u)可以被近似地扩展为：
[0086]
[0087] 最后，结合(9)，(10)，(11)和(12)，得到了一个具有有限维表示的核映射如下：
[0088]
[0089] 这里的 是近似于核矩阵采样点，
[0090] 是核向量。(13)中的固定网络结构可以作为最小核风险敏感损失(NysMKRSL)下的鲁棒 结构。
[0091] (3)k-means采样
[0092] 在 方法中，核矩阵近似的精度主要取决于样本点的选择。为了提高近似精度，提出了多种采样方案，可分为固定采样，自适应采样两类。
[0093] 固定采样方法包括均匀采样、对角加权采样、列长采样和确定性加权采样。然而，固定抽样方法从给定的核矩阵中随机选择列，并提供不确定的近似精度。在某些情况下，即使有大量的样本，固定的采样方法也可能达不到要求的精度，自适应采样方法可以解决固定采样方法的问题，但是以稍多一点的计算作为代价。
[0094] 因此，本申请方法采用了最先进的自适应采样方法，即，k-means采样，在NysMKRSL中，开发了NysMKRSL-KM算法。
[0095] 本申请使用的样本数据集独立同分布于训练测试数据，为 方法提供样本数据去实现在线学习，选取样本点的方法是合理的，给定样本数据集 其中L为
样本数据集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心，U可以通过k-means分解成k个不相交的簇，
样本数据集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心，U可以通过k-means分解成k个不相交的簇，
[0096]
[0097] 这里的 是第i个星系团ci(i＝1,2,...,k),Ij＝1,2,...,si的点。
[0098] si是ci的尺寸， 用簇的质心来表示相应的采样点，即
[0099]
[0100] 这里的 是第i(i＝1,2,...,k)个采样点。理论上，k-means算法停止运行的条件是所有质心不再变化。然而，在实际应用中，使用新的质心与原质心之间的欧氏距离小于一个小常数作为停止条件。在本申请中用10-3作为这个常数。最后，利用 其中m＝k，开发了NysMKRSL-KM算法。实际上，k-means的计算复杂度仅在样本数据集 的大小和维数上呈线性关系，在仿真中，NysMKRSL-KM算法具有更少的时间和存储消耗，可以达到很好的滤波精度。
[0101] (4)NysMKRSL-KM算法
[0102] 利用MKRSL准则，定义离散时刻i的瞬时成本函数为：
[0103]
[0104] 这里的 是核参数，λ＞0是风险敏感参数，e(i)＝d(i)-ΩT(i-1)z(u(i))是误差信号； 是原始输入信号； 表示原始输入数据映射到有
限维 特征空间， 表示期望信号， 表示 核空间权
重向量。通过使用随机梯度下降法来最小化(16)，可以获得
限维 特征空间， 表示期望信号， 表示 核空间权
重向量。通过使用随机梯度下降法来最小化(16)，可以获得
[0105]
[0106] 生成 最小核风险敏感损失(NysMKRSL)算法，得到NysMKRSL的权值更新方程如下：
[0107]
[0108] 这里的η＝2μβ是步长参数。h(e(i))被表示如下：
[0109] h(e(i))＝exp(λ(1-exp(-βe2(i))))exp(-βe2(i))e(i) (19)
[0110] 根据基于 方法映射z(u(i))，得到在离散时间i的期望输出的估计值为
[0111]
[0112] 在 方法中，用于逼近核矩阵的样本点u(i)的选取对逼近精度至关重要。有两类抽样方法来选择采样点，一种是固定点采样，另一种是自适应采样。固定采样方法以其简单、高效的采样效率而著称，但其逼近精度往往得不到保证，自适应抽样方法是解决固定抽样问题的精确方法，最先进的自适应采样是k-means采样。
[0113] k-means采样步骤输出m个聚类中心值。步骤如下：
[0114] 1、从数据集S中随机抽取m个数据作为m个簇的簇中心。
[0115] 2、将每个数据划分到距离其中心最近的集群通过欧式距离条件。
[0116] 3、通过公式(15)根据集群中的数据重新计算每个集群的中心。
[0117] 4、当新的聚类中心与前一次迭代得到的聚类中心相同时，输出聚类结果；否则，从步骤(2)迭代。
[0118] k-means算法停止运行的条件是所有质心不再变化。然而，在实际应用中，最常使用新的质心与原质心之间的欧氏距离小于一个小常数作为停止条件，例如可以是0.001。
[0119] 该方法不仅具有固定维度的左右，而且，在自适应过程中，可以通过k-means采样很少的点就可以约近核矩阵，并能完成更好的滤波性能，在一个固定维度的网络结构中，NysMKRSL-KM可以实现与MKRSL核自适应滤波器算法相当的性能，具有更低的时间和存储复杂性。
[0120] 为了验证所提出的NysMKRSL-KM算法的性能，通过两个例子中评估了所提议的NysMKRSL-KM的性能，即利用FIR系统识别和非线性系统识别，一种利用FIR系统识别来验证理论分析，在非线性系统识别中评估了所提出的NysMKRSL-KM算法的性能优势。
[0121] 为评价滤波精度，定义了测试均方误差(MSE)：
[0122]
[0123] 其中 是d(i)的估计值，N是测试数据的长度。
[0124] 1)FIR系统识别：
[0125] 为了验证所提出的NysMKRSL-KM的理论分析，构建了一个 系统。在本仿真中，数据对由 产生，假设自适应滤波器的初始权向量为零向量，长度为m＝9，输入u(i)为单位方差的零均值高斯序列，转换为z(u(i))，采样点m设为9；ν(i)是干扰噪音,NysMKRSL-KM-T表示理论稳态值,NysMKRSL-KM-S表示实际仿真值。
[0126] 仿真结果如下参见图2和表1：
[0127] 表1
[0128]
[0129] 从表1和图2可以得知理论与仿真相匹配。
[0130] 2)为了显示NysMKRSL-KM的性能优势考虑了非线性系统识别。选择的非线性系统如下：
[0131] s(i)＝s(i-1)(0.8-0.5exp(-s2(i-1)))
[0132] -(0.3+0.9exp(-s2(i-1)))s(i-2)+0.1sin(s(i-1)π)
[0133] 其中s(i)表示离散时间i的输出，初始值为s(-1)＝0.1和s(-2)＝0.1；
[0134] 前两个输出u(i)＝[s(i-1),s(i-2)]T作为估计当前输出s(i)。训练集包括2000个被加性噪声破坏的样本片段，另外200个无噪声样本作为测试集，另外500个样本作为样本数据集用于 近似。高斯函数内核核宽为0.7071，所有模拟结果均在50次以上的独立蒙特卡罗运行中取平均。
[0135] 在仿真中，考虑了一个包含两个独立噪声过程的脉冲噪声模型v(i)＝(1-b(i))v1(i)+b(i)v2(i)，v1(i)是一般平常的噪声带着小的方差。v2(i)是方差较大的脉冲噪声，b(i)是二进制分布的随机过程{0,1}，Prob{b(i)＝1}＝c，Prob{b(i)＝0}＝1-c，设置c＝0.06，v2(i)作为一个较大的离群点，是一个具有零均值和方差的高斯白序列 v1(i)的分布被考虑为二进制分布{1,-1}概率为Prob{x＝1}＝Prob{x＝-1}＝0.5。
[0136] 比较了NysMKRSL-KM算法与QKLMS、QKMCC、QMKRSL、MKRSL、RFFKLMS和RFFKMCC算法在二进制噪声下。比较结果参见图3。平均消耗时间和稳态的均方误差被展示在表2中。
[0137] 表2：
[0138]算法 Size尺寸大小 Time时间(s) MSE(dB)
QKLMS 217 7.4021 -14.6756
QKMCC 217 7.4224 -16.2228
QMKRSL 217 7.7130 -16.2722
RFFKLMS 100 3.2426 -14.6267
RFFKMCC 100 3.2624 -16.2531
MKRSL 2000 20.7792 -16.2765
NysMKRSL-KM 10 2.1181 -16.4678
QKLMS 217 7.4021 -14.6756
QKMCC 217 7.4224 -16.2228
QMKRSL 217 7.7130 -16.2722
RFFKLMS 100 3.2426 -14.6267
RFFKMCC 100 3.2624 -16.2531
MKRSL 2000 20.7792 -16.2765
NysMKRSL-KM 10 2.1181 -16.4678
[0139] 从表中可以得知：相对于QKMCC、QMKRSL、MKRSL、RFFKMCC，本申请的NysMKRSL-KM算法具有较小的尺寸大小及很小的运行消耗时间可以获得比QKLMS和RFFKLMS更好的性能，并且具有与QKMCC、QMKRSL、MKRSL和RFFKMCC相当的滤波精度。
[0140] 实施例二：
[0141] 实施例二提供了一种非线性系统识别设备，参见图4，包括：
[0142] 构建单元：用于构建以下数据模型： 其中，u为输入的单位方差的零均值高斯序列，z(u)为将u映射到有限维度的向量，Ωo为权重向量，v是系统干扰噪声；
d为期望信号；
d为期望信号；
[0143] 采集单元：用于采集被控系统的输入数据和输出数据，以获得训练样本；
[0144] 训练单元：用于将所述训练样本输入至所述数据模型中，对数据模型进行训练；当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ωo时，输出该数据模型，实现系统跟踪。
[0145] 本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0146] 实施例三：
[0147] 实施例三在上述实施例的基础上，提供了方法与系统的应用。
[0148] 系统辨识现在广泛适用于各个领域。
[0149] 例如在化工领域中，可以用来对加工过程的电纺丝纤维的直径进行控制。由于电纺丝纤维表面的电荷会影响电纺丝纤维的直径，但是由于其控制关系特性未知，且当机器老化后，其控制关系也会发生变化，所以可以将该系统辨识应用在电纺丝纤维加工领域，具体步骤包括：获取被控系统的输入数据和输出数据，即获取历史电纺丝纤维加工数据中，电纺丝纤维表面的电荷以及对应的直径。将电纺丝纤维表面的电荷以及对应的直径输入到本申请的数据模型，当利用本申请完成数据模型的训练后，最后得到的数据模型能实时反映当下电纺丝纤维表面的电荷和电纺丝纤维的直径的控制关系，所以在加工过程中，可以通过控制电纺丝纤维表面的电荷来确定电纺丝纤维的直径，获得是通过电纺丝纤维表面的电荷计算其直径，从而判断生产的电纺丝纤维直径是否满足要求。
[0150] 系统辨识的另一个应用广泛的领域是航空领域，众所周知，每一个航空器或航空设备上都具有一个“黑匣子”，黑匣子记录了航空器或航空设备的飞行状态，一般人们只知道黑匣子的输入数据和输出数据，并不知道输入数据和输出数据之间的关系。而当航空器或航空设备发生意外导致黑匣子被损坏时，人们需要还原黑匣子，以获得航空器或航空设备的飞行情况。而系统辨识却能很好地解决黑匣子的还原问题。具体步骤包括：获取黑匣子的历史输入数据和输出数据。将输入数据和输出数据输入到本申请的数据模型，当利用本申请完成数据模型的训练后，最后得到的数据模型能仿真出航空器或航空设备的飞行情况，从而帮助人们还原黑匣子。
[0151] 系统辨识的另一个应用广泛的领域是风力发电领域，风力发电主要是将捕获到的风能转换为机械能，然后通过传动链驱动发电机发电。且在低风速段只有转矩环控制参与调节，而进入中高风速则采用桨距进行控制，所以采用系统辨识方法研究由发动机转矩和桨叶节距角作为输入，如何得到发电机转子角速度。而这一类的的系统辨识主要包括转矩环辨识和桨距环辨识。转矩环辨识，输入发电机转矩和风速，输出发电机转子角速度。桨距环辨识，输入桨叶节距角和风速，输出发电机转子角速度。这是由于不同风速水平下，激励信号不同，当处于低风速段工作时，只考虑转矩环辨识部分，激励信号为桨叶节距角和风速，当处于高风速工作时，只考虑桨距环辨识部分，激励信号为桨叶节距角和风速。
[0152] 这样，系统辨识可以根据风速得到发电机转子角速度，从而反映出发电情况，具体使用时，也可以在风力采集设备各个方向上都设有风力传感器，风力采集设备可以根据各个风力传感器采集到的风速来调节风力采集设备的捕获风能的方向，使得风力采集设备能够仅可能地捕获到相应的风能，转换为足够的电能。
[0153] 本发明实施例所提供的内容，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
[0154] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 新双星系转化普通酒为陈酒或高档酒动态工程系统 | 2020-05-20 | 15 |
| 新双星系在太空定向变搭载物的辅助动态工程系统 | 2020-05-20 | 179 |
| 新双星系转化普通米面为香米面补品米面动态工程系统 | 2020-05-21 | 810 |
| 新双星系促植物快速生长动态工程系统 | 2020-05-17 | 479 |
| 新双星系导致生物患病的武器动态工程系统 | 2020-05-17 | 802 |
| 新双星系超速发酵动态工程系统 | 2020-05-14 | 997 |
| 新双星系健身保健健美和康复动态工程系统 | 2020-05-18 | 598 |
| 新双星系大面积杀灭农林牧渔病虫害动态工程系统 | 2020-05-24 | 296 |
| 新双星系阳光反射镜面阵—生物快长快变阳性系统 | 2020-05-24 | 160 |
| 一种移动终端 | 2020-05-27 | 288 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈