xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

     本書從塊結(jié)構(gòu)模型中間變量不可測量的角度出發(fā)，結(jié)合塊結(jié)構(gòu)模型辨識的基本過程和特點，分析塊結(jié)構(gòu)模型各串聯(lián)模塊在不同激勵信號作用下的特性，研究和設(shè)計組合式多源激勵信號，以解決塊結(jié)構(gòu)模型的可辨識性問題和各模塊的參數(shù)估計分離問題。在此基礎(chǔ)上，系統(tǒng)地研究和提出能夠抑制干擾的塊結(jié)構(gòu)復(fù)雜非線性工業(yè)過程辨識新方法，包括采用集成建模技術(shù)的串聯(lián)模塊建模方法、全新智能分離算法和模塊參數(shù)辨識算法、利用補償技術(shù)的塊結(jié)構(gòu)非線性動態(tài)系統(tǒng)過程噪聲建模方法等，并利用隨機過程理論分析和比較提出方法的性能。本書緊密結(jié)合復(fù)雜工業(yè)過程控制的需要，解決塊結(jié)構(gòu)模型中的難題，形成一種面向?qū)嶋H工業(yè)生產(chǎn)過程系統(tǒng)化的建模方法。

　　長期以來，我國產(chǎn)業(yè)結(jié)構(gòu)不合理，往往設(shè)備已經(jīng)實現(xiàn)了國產(chǎn)化，而控制系統(tǒng)和優(yōu)化策略仍然采用國外技術(shù)，造成工業(yè)行業(yè)“重設(shè)備、輕優(yōu)化控制”的現(xiàn)象，普遍存在“有殼無腦”的局面。隨著行業(yè)技術(shù)的發(fā)展，先進(jìn)優(yōu)化控制技術(shù)的重要性正逐步體現(xiàn)出來，已成為我國進(jìn)一步實現(xiàn)節(jié)能增效和推進(jìn)工業(yè)可持續(xù)發(fā)展的突破口。化工、煉油、冶金、輕工、建材和制藥等過程工業(yè)是我國國民經(jīng)濟的重要支柱產(chǎn)業(yè)，要想在全球化的大趨勢下始終保持強大的競爭力，必須加強先進(jìn)優(yōu)化和控制技術(shù)的研發(fā)與技術(shù)儲備。
　　過程工業(yè)是通過物理變化和化學(xué)變化進(jìn)行的生產(chǎn)過程，在新物質(zhì)生成的同時伴隨有能量的吸收與釋放，是一個復(fù)雜的大工業(yè)系統(tǒng)，各生產(chǎn)裝置之間存在著復(fù)雜的耦合和制約關(guān)系。各生產(chǎn)過程只有從實時性和整體性上全局協(xié)調(diào)，才能保證整個生產(chǎn)裝置平穩(wěn)、高效、安全的運行，這對工業(yè)過程的優(yōu)化和控制提出了更高的要求。模型是現(xiàn)代工業(yè)過程先進(jìn)優(yōu)化和控制技術(shù)的基礎(chǔ)。在工業(yè)過程生產(chǎn)裝置中，由于原料特性變化較為頻繁，參與過程實時控制的模型不僅要簡單、準(zhǔn)確，而且要具有較好的外推性和自適應(yīng)性，能夠正確反映過程的機理特性。這涉及過程對象的非線性、時變性、不確定性、強耦合和大時滯等內(nèi)在復(fù)雜的機理問題，客觀環(huán)境和人為因素。隨著過程工業(yè)的大型化、綜合化和復(fù)雜化，上述因素使得建模的難度越來越大。工業(yè)過程的建模應(yīng)當(dāng)從優(yōu)化與控制的實際需求出發(fā)，突破傳統(tǒng)的建模方法和辨識算法結(jié)構(gòu)，以較為寬廣的視野綜合運用人工智能、現(xiàn)代統(tǒng)計理論、控制理論和優(yōu)化技術(shù)等來有效地實現(xiàn)。
　　目前，在非線性動態(tài)建模方面，一類新穎的塊結(jié)構(gòu)非線性動態(tài)模型是其中的一個研究熱點，它同時結(jié)合了動態(tài)線性模型和靜態(tài)（無記憶）非線性函數(shù)模型，具有較易辨識、計算量少、能較好地反映過程特征的特點，適合作為過程控制模型使用。按其具體連接形式，可分為Hammerstein模型、Wiener模型、Hammerstein-Wiener模型和Wiener-Hammerstein模型。Hammerstein-Wiener模型（簡稱為N-L-N模型）包含Hammerstein模型和Wiener模型結(jié)構(gòu)，比這兩種模型中的任意一種都更接近實際工業(yè)過程中的非線性特性。這種模型能較好地描述工業(yè)設(shè)備和過程，如精餾塔、熱交換器、連續(xù)攪拌反應(yīng)釜（continuousstirredtankreactor，CSTR）、PTA生產(chǎn)中的漿料配置系統(tǒng)以及具有冪函數(shù)、死區(qū)、開關(guān)等特性的非線性過程。更為重要的是，可以利用模型的特殊結(jié)構(gòu)把非線性控制問題簡化為線性模型預(yù)測控制問題，解決了傳統(tǒng)非線性控制方法計算量大、收斂性和穩(wěn)定性不能得到保證等諸多問題，從而可以直接利用線性控制系統(tǒng)中的成熟理論，便于現(xiàn)場操作人員理解。因此，塊結(jié)構(gòu)模型是工業(yè)過程中最有效的模型之一，也是研究的熱點。

《智能科學(xué)技術(shù)著作叢書》序
前言
第一部分 塊結(jié)構(gòu)模型
第1章 塊結(jié)構(gòu)模型概述
1.1 引言
1.2 靜態(tài)非線性環(huán)節(jié)與動態(tài)線性環(huán)節(jié)的同步辨識法
1.2.1 過參數(shù)化法
1.2.2 子空間法
1.2.3 調(diào)制函數(shù)法
1.2.4 直接辨識法
1.3 靜態(tài)非線性環(huán)節(jié)與動態(tài)線性環(huán)節(jié)的分步辨識法
1.3.1 迭代法
1.3.2 分離最小二乘法
1.3.3 多信號源法
1.3.4 盲辨識法
1.3.5 頻域法
1.3.6 隨機法
1.4 基于Hammerstein模型的控制系統(tǒng)設(shè)計
1.5 塊結(jié)構(gòu)模型研究中存在的關(guān)鍵問題
1.6 全書概況
參考文獻(xiàn)
第二部分 基于二進(jìn)制—隨機復(fù)合信號源的塊結(jié)構(gòu)模型辨識方法
第2章 基于二進(jìn)制—隨機復(fù)合信號源的Hammerstein模型辨識方法
2.1 基于泰勒級數(shù)展開法的Hammerstein模型辨識
2.1.1 基于神經(jīng)模糊的Hammerstein模型
2.1.2 基于神經(jīng)模糊Hammerstein模型的辨識
2.1.3 實驗結(jié)果
2.1.4 小結(jié)
2.2 基于Lyapunoy方法的Hammerstein模型辨識
2.2.1 神經(jīng)模糊Hammerstein模型
2.2.2 神經(jīng)模糊Hammerstein模型辨識
2.2.3 實驗結(jié)果
2.2.4 小結(jié)
參考文獻(xiàn)
第3章 基于二進(jìn)制—隨機復(fù)合信號源的Hammerstein-Wiener模型辨識方法
3.1 基于二進(jìn)制—隨機復(fù)合信號源的Hammerstein-Wiener模型
3.1.1 神經(jīng)模糊Hammerstein-Wiener模型
3.1.2 神經(jīng)模糊Hammerstein-Wiener模型各串聯(lián)環(huán)節(jié)的分離
3.1.3 基于神經(jīng)模糊Hammerstein-Wiener模型的控制系統(tǒng)
3.1.4 實驗結(jié)果
3.1.5 小結(jié)
3.2 基于兩階段復(fù)合信號的Hammerstein-Wiener模型
3.2.1 基于兩階段復(fù)合信號的神經(jīng)模糊Hammerstein-Wiener模型
3.2.2 實驗結(jié)果
3.2.3 小結(jié)
參考文獻(xiàn)
第4章 含過程噪聲的塊結(jié)構(gòu)模型二進(jìn)制一隨機復(fù)合信號源辨識方法
4.1 基于輔助模型遞推最小二乘法的Hammerstein模型
4.1.1 一類含過程噪聲的Hammerstein模型
4.1.2 基于輔助模型遞推最小二乘法的Hammerstein模型多信號源辨識方法
4.1.3 實驗結(jié)果
4.1.4 小結(jié)
4.2 基于偏差補償遞推最小二乘法的Hammerstein-Wiener模型
4.2.1 一類含過程噪聲的Hammerstein-Wiener模型
4.2.2 基于偏差補償遞推最小二乘法的Hammerstein-Wiener模型多信號源辨識方法
4.2.3 實驗結(jié)果
4.2.4 小結(jié)
4.3 基于輔助模型多新息隨機梯度法的Hammerstein模型
4.3.1 基于輔助模型多新息隨機梯度法的Hammerstein模型多信號源辨識方法
4.3.2 實驗結(jié)果
4.3.3 小結(jié)
參考文獻(xiàn)
第三部分 基于可分離信號源的塊結(jié)構(gòu)模型辨識方法
第5章 基于可分離信號源的多輸入多輸出Hammerstein模型辨識方法
5.1 多輸入多輸出Hammerstein模型
5.2 基于可分離信號源的多輸入多輸出Hammerstein模型辨識
5.2.1 基于神經(jīng)模糊的多輸人多輸出Hammerstein模型
5.2.2 基于可分離信號源的多輸入多輸出Hammerstein模型辨識
5.2.3 實驗結(jié)果
5.2.4 小結(jié)
參考文獻(xiàn)
第6章 含過程噪聲的多輸入多輸出Hammerstein模型可分離信號源辨識方法
6.1 含過程噪聲的多輸人多輸出Hammerstein模型辨識
6.1.1 含過程噪聲的多輸人多輸出Hammerstein模型
6.1.2 含過程噪聲的多輸入多輸出Hammerstein模型辨識
6.1.3 實驗結(jié)果
6.1.4 小結(jié)
6.2 基于可分離信號的Hammerstein輸出誤差滑動平均系統(tǒng)辨識
6.2.1 Hammerstein輸出誤差滑動平均系統(tǒng)
6.2.2 神經(jīng)模糊Hammerstein輸出誤差滑動平均系統(tǒng)辨識
6.2.3 實驗結(jié)果
6.2.4 小結(jié)
參考文獻(xiàn)
第7章 含過程噪聲的Hammerstein-Wiener模型可分離信號源辨識方法
7.1 基于可分離信號的Hammerstein-Wiener模型辨識方法
7.1.1 神經(jīng)模糊Hammerstein-Wiener模型
7.1.2 神經(jīng)模糊Hammerstein-Wiener模型辨識方法
7.1.3 基于Hammerstein-Wiener模型的控制系統(tǒng)設(shè)計
7.1.4 實驗結(jié)果
7.1.5 小結(jié)
7.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener模型可分離信號源辨識
7.2.1 噪聲干擾下的FIR Hammerstein-Wiener模型
7.2.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener辨識
7.2.3 實驗結(jié)果
7.2.4 小結(jié)
參考文獻(xiàn)