工業(yè)領(lǐng)域技術(shù)的進步離不開控制與優(yōu)化策略的發(fā)展,在對系統(tǒng)實施控制與優(yōu)化的過程中,多以系統(tǒng)模型為基礎(chǔ)。然而工業(yè)過程日益龐大的規(guī)模和復(fù)雜性使得建立相應(yīng)的機理模型極其困難,甚至是無法實現(xiàn)的。由于過程數(shù)據(jù)能夠包含系統(tǒng)運行的主要動態(tài)特性,因此基于數(shù)據(jù)驅(qū)動的建模方法為復(fù)雜工業(yè)過程的建模提供了新的解決方案。其中,線性變參數(shù)(Liner Parameter Varying,LPV)模型具有類似線性模型的簡單結(jié)構(gòu),通過時變的參數(shù)便可精確描述復(fù)雜的非線性系統(tǒng),獲得了廣泛關(guān)注�？紤]到實際工業(yè)過程生產(chǎn)環(huán)節(jié)及生產(chǎn)環(huán)境的復(fù)雜多變,會導(dǎo)致被建模系統(tǒng)呈現(xiàn)不確定性,傳統(tǒng)的LPV系統(tǒng)辨識方法忽略了這一問題,難以保證系統(tǒng)的辨識精度�；诖�,論文主要在變分貝葉斯(Variational Bayesian,VB)算法的框架下討論LPV系統(tǒng)的辨識問題,具體研究內(nèi)容如下:(1)研究了VB算法框架下的LPV系統(tǒng)的辨識問題。針對含有不確定性的工業(yè)過程,論文提出了基于VB算法的LPV系統(tǒng)的辨識方法。該方法將系統(tǒng)的不確定性通過參數(shù)的不確定性進行刻畫,即將未知參數(shù)視為隨機變量,并給定參數(shù)相應(yīng)的先驗分布,通過迭代地最大化目標函數(shù)的下界,從而求得...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 線性變參數(shù)系統(tǒng)辨識研究現(xiàn)狀
        1.2.2 變分貝葉斯算法研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
第二章 預(yù)備知識
    2.1 線性變參數(shù)系統(tǒng)
        2.1.1 線性變參數(shù)系統(tǒng)建模原理
        2.1.2 線性變參數(shù)系統(tǒng)建模方法
    2.2 期望最大化算法與變分貝葉斯算法
        2.2.1 期望最大化算法
        2.2.2 變分貝葉斯算法
    2.3 本章小結(jié)
第三章 變分貝葉斯算法框架下的線性變參數(shù)系統(tǒng)辨識
    3.1 引言
    3.2 問題描述
    3.3 基于變分貝葉斯算法的參數(shù)估計
        3.3.1 辨識算法推導(dǎo)
        3.3.2 辨識算法總結(jié)
    3.4 仿真驗證
        3.4.1 數(shù)值仿真
        3.4.2 連續(xù)攪拌反應(yīng)器仿真
    3.5 本章小結(jié)
第四章 含未知時延的線性變參數(shù)系統(tǒng)辨識
    4.1 引言
    4.2 問題描述
    4.3 含定常時延的線性變參數(shù)系統(tǒng)辨識
        4.3.1 辨識算法推導(dǎo)
        4.3.2 辨識算法總結(jié)
        4.3.3 數(shù)值仿真
    4.4 含時變時延的線性變參數(shù)系統(tǒng)辨識
        4.4.1 辨識算法推導(dǎo)
        4.4.2 辨識算法總結(jié)
        4.4.3 連續(xù)攪拌反應(yīng)器仿真
    4.5 本章小結(jié)
第五章 量測數(shù)據(jù)缺失下的線性變參數(shù)系統(tǒng)辨識
    5.1 引言
    5.2 問題描述
    5.3 基于變分貝葉斯算法的參數(shù)估計
        5.3.1 辨識算法推導(dǎo)
        5.3.2 辨識算法總結(jié)
    5.4 仿真驗證
        5.4.1 數(shù)值仿真
        5.4.2 連續(xù)發(fā)酵反應(yīng)器仿真
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
附錄:作者在攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3756340