一、非线性最小二乘估计的遗传算法（论文文献综述）
简灵活,王新鹏,曾怀恩[1]（2021）在《基于两种优化算法的非线性最小二乘平差分析》文中指出现代精密工程对测量数据处理的精度要求越来越高,线性化经典平差法在处理强非线性测量数据时常常力有不逮。本文系统比较了常规非线性平差（牛顿法、拟牛顿法）、遗传算法（GA）、粒子群算法（PSO）处理非线性测量数据的精度差异。侧边网平差结果表明,遗传算法在处理非线性测量数据时更具有优势,精度相较于常规的非线性平差提高了67%,精度可以精确到亚毫米位。而粒子群算法相比于常规的非线性平差其解算过程更加简便,其平差结果更加接近问题的全局最优解。这些结论可为后续的精密工程测量数据处理提供借鉴。
徐国胜[2]（2021）在《挖掘机工作装置动力学分析及其挖掘作业轨迹控制研究》文中研究表明挖掘机是国家基础设施建设不可或缺的重要施工机械,作为典型的机电液集成化装备,在外部作业环境复杂,载荷工况多变条件下,其工作装置的系统建模与有效控制一直是难点并历来为业界所关注。为了拓展挖掘作业条件,提高作业效率,本文基于现代先进控制理论,建立了挖掘机基于旋量理论运动学与动力学模型,结合挖掘机铲斗-土壤动力学分析,采用滑模变结构控制完成了对铲斗斗尖轨迹跟踪。首先,基于旋量理论完成了挖掘机工作装置运动学与动力学分析。旋量计算优势明显,建模过程几何意义突出,在机器人技术中得到广泛应用。挖掘机工作装置作为典型的单开链机构,采用指数积公式（POE）建立其正向运动学模型,将逆运动学求解分解为解已知的Paden-Kanhan子问题,同时分析了挖掘机工作装置微分运动学,求取了速度雅可比矩阵,并基于反旋量计算了逆微分运动学。最后基于旋量形式Kane方程完成了挖掘机工作装置动力学建模。其次,针对挖掘机铲斗-土壤相互作用建立了数学分析模型,并在离散单元法（DEM）-多体动力学（MBD）联合仿真条件下对铲斗挖掘土壤过程进行了模拟。数学分析模型中铲斗阻力不仅包括土壤并入铲斗速度变化引起的惯性力,还计及斗齿阻力。联合仿真采用离散单元软件EDEM与多体动力学分析软件Recur Dyn进行耦合,通过在Recur Dyn中建立挖掘机工作装置虚拟样机,设计驱动函数,在EDEM中设置土壤颗粒参数,生成料床,设置耦合物理环境,最终运行完成联合仿真。联合仿真铲斗受力曲线与数学分析模型计算结果在挖掘深度增加阶段吻合,验证了数学分析模型的正确性。针对铲斗-土壤数学分析模型中土壤关键参数估计,设计并采用遗传算法。根据侵入土壤阶段的峰值阻力--土壤破坏力估计的经验模型,Mohr-Coulomb土壤破坏模型与CLUB土壤破坏模型进行分析。由曲柄滑块电铲试验台获得的土壤破坏力数值及实验数据,对工具-土壤相互作用力数学分析模型中土壤内摩擦角Φ,土壤容重ρ,土壤-工具摩擦角δ,及土壤内部粘聚系数c采用遗传算法估计。随着约束方程数的增加,土壤参数估计精度提高。通过对比,遗传算法相较牛顿迭代法,最小二乘法能更精确的估计土壤参数。由数学分析模型,挖掘机铲斗-土壤相互作用力受土壤内摩擦角,铲斗运行速度,切削角度,土壤容重,粘聚系数等影响,挖掘阻力难以精确模拟,为此本文采用滑模变结构控制挖掘机铲斗轨迹,将铲斗-土壤相互作用力作为干扰引入控制系统,对未建模动态和误差进行补偿。首先根据挖掘作业中常见的整坡作业进行轨迹规划,得到作业空间与关节空间的规划轨迹。不考虑液压缸驱动系统时,在关节空间设计了自适应滑模控制器,相较传统滑模控制,不需要干扰上界的先验知识,降低和消除了抖震,提升了轨迹跟踪效果。其次根据关节空间与液压驱动空间力与位移的关系,计算了驱动空间液压缸杆的规划轨迹。在液压驱动空间,设计了基于高增益观测器的滑模控制器。高增益观测器只需整定带宽,滑模控制中采用滑模面函数取代控制输入切换项中的符号函数,避免了抖震,通过奇异摄动理论,证明了观测器与控制器组成的闭环系统稳定性。所设计控制系统减少了控制所需状态信息而须加装传感器的数量,降低了控制成本。仿真表明通过降低观测器带宽,提高滑模控制器切换增益,能进一步提高轨迹跟踪精度。
史德杰,孙远远,马克波,何冬晓,张胜伟[3]（2021）在《距离观测方程参数估计的随机搜索法》文中研究表明针对传统非线性模型参数估计方法(牛顿法、高斯-牛顿法、最速下降法、阻尼最小二乘法等过度依赖初始值精度、只能获取局部最优解的缺点,利用遗传算法全局搜索能力的特点,得到距离观测方程参数估计解。最后利用短程测距数据和水下定位数据,验证了该算法的参数估计解。结果表明:该算法的收敛解优于线性平差估计解且明显提高解的精度。
孙道明[4]（2021）在《动力锂离子电池SOC和容量估计方法研究》文中指出电池管理系统作为电动汽车动力电池系统的核心部分,负责管理电池的安全和高效运行。荷电状态（State of Charge,SOC）和容量作为电池管理系统监测的关键指标,其准确估计是保证电池正常充放电、高效能量管理及剩余行驶里程预测的重要前提。因此,开展锂离子电池SOC和容量估计方法研究具有重要的理论意义和应用价值。针对影响估计精度的主要因素,如SOC估计过程中的等效电路模型选择、参数辨识方法、滤波方法和噪声估计器,以及容量估计过程中的充放电曲线特征构建,本文在综合分析现有SOC和容量估计方法的基础上,开展了以下研究工作:（1）针对在线参数辨识算法需要给定初始参数问题,提出一种基于人群搜索算法优化的等效电路模型参数辨识方法。该方法采用人群搜索算法对等效电路模型参数进行全局寻优,采用优化结果作为初始参数值,基于遗忘因子递推最小二乘算法对等效电路模型参数在线实时更新,并通过动态应力测试（Dynamic Stress Test,DST）和联邦城市驾驶计划（Federal Urban Driving Schedule,FUDS）两种标准工况测试数据验证模型的有效性。结果表明,基于人群搜索算法优化的等效电路模型参数辨识方法具有较高的精度。（2）针对采用固定长度误差新息序列（Errror Innovation Sequence,EIS）更新噪声协方差,导致基于自适应扩展卡尔曼滤波算法的SOC估计精度不高的问题,提出一种基于变窗口自适应扩展卡尔曼滤波的SOC估计方法。采用一种变窗口噪声估计器,假设EIS服从高斯分布,通过极大似然函数识别EIS幅值分布变化的时刻,并选择幅值分布变化后的EIS更新噪声协方差。将变窗口噪声估计器与自适应扩展卡尔曼滤波算法相结合在线估计SOC,并通过DST和FUDS两种标准工况验证算法的有效性。结果表明,相比自适应扩展卡尔曼滤波算法,变窗口自适应扩展卡尔曼滤波算法具有更高的SOC估计精度。通过调整最大窗口长度和阈值参数,可以进一步提高电池SOC估计精度。（3）针对变窗口自适应扩展卡尔曼滤波方法对非线性测量方程进行泰勒展开,只取展开后的线性项,导致只能实现一阶逼近精度的问题,提出一种基于变窗口自适应无迹卡尔曼滤波的SOC估计方法。该方法考虑到自适应无迹卡尔曼滤波算法对非线性函数的概率密度分布进行逼近,具有二阶逼近精度,将变窗口噪声估计器与自适应无迹卡尔曼滤波算法相结合,通过识别EIS幅值分布变化的时刻,并选择分布变化后的EIS更新噪声协方差,进而估计SOC,并通过DST和FUDS两种标准工况验证算法的有效性。结果表明,相比变窗口自适应扩展卡尔曼滤波算法,变窗口自适应无迹卡尔曼滤波算法具有更高的SOC估计精度。（4）针对恒压充电电流曲线差异并不显着,导致难以基于该曲线直接提取健康特征的问题,提出了一种基于恒压充电曲线重构健康特征的容量估计方法。分析并选取差异显着的恒压充电容量作为健康特征参数之一。针对恒压充电容量无法全面反映电池容量变化的问题,通过离线充电数据建立恒压充电容量和恒流充电容量之间的关系模型,并验证模型的精度。估计容量时,以恒压充电容量作为关系模型输入,估计恒流充电容量,并以恒压充电容量和恒流充电容量估计值作为联合特征,基于支持向量机预测容量,并通过美国国家航空和宇宙航行局（National Aeronautics and Space Administration,NASA）提供的电池性能退化实验数据验证算法的有效性。结果表明,基于恒压充电曲线重构健康特征的方法可以提高容量估计精度。（5）针对仅有随机放电数据情形,导致无法基于充电曲线估计容量的问题,提出了一种基于随机放电曲线的容量估计方法。该方法通过随机放电曲线分析和挖掘信息,构建随机放电容量均值和标准差两个反映容量变化的健康特征,并采用主成分分析法分析健康特征的相关性,消除特征参数的冗余。基于部分测试电池的主成分和容量数据,采用人群搜索算法对支持向量机超参数进行全局优化并训练模型。采用训练模型预测其余电池的容量,并通过NASA提供的电池性能退化试验数据验证算法的有效性。结果表明,当仅有随机放电数据时,可以通过随机放电曲线提取健康特征实现预测锂离子电池的容量。本文以锂离子电池为对象,开展SOC和容量估计方法研究。通过选择等效电路模型、优化参数辨识过程、改进自适应扩展和无迹卡尔曼滤波方法采用的噪声估计器,提高了锂离子电池的SOC估计精度;分别通过充电和放电曲线提取并构建健康特征,优化支持向量机超参数,提高了锂离子电池的容量估计精度。本文通过提高SOC和容量估计精度,为安全、高效使用锂离子电池提供更可靠的基础数据。
张丽珠[5]（2021）在《中央空调系统数字孪生模型参数辨识及其不确定性估计方法研究》文中指出中央空调系统在住宅、商场、医院、数据机房和工业厂房等建筑中有着广泛的应用,其能源消耗大约占中国建筑总能耗的50%～65%。因此,中央空调系统具有较大的节能潜力。长期以来,我国中央空调系统从业人员专业素养整体不高,运行维护管理相当粗放,普遍能源浪费十分严重。传统基于人工经验的运行维护管理已难以实现空调系统的可靠、低能耗、高效率地运行,因此有必要对空调系统进行整体智能化升级。物联网、5G通讯、人工智能、自动化等领域的快速发展,为实现中央空调系统信息化和数字化转型提供了技术支撑。借助新一代信息技术发展智慧能源是我国能源行业的发展趋势,而融合物理系统与信息技术的“数字孪生”为解决当前智慧能源发展所面临的问题提供了新的思路。通过“数字孪生”技术,计算机能够低成本地探索最佳设计方案、最优控制策略以及潜在故障风险,从而自动化地指导系统的运行维护。构建准确和可靠的系统模型是实现以上愿景的基石。其中,如何对模型参数进行可靠辨识、如何估计模型预测不确定性以及如何降低模型预测不确定性是系统建模领域三个亟待解决的关键科学问题。为此,本文开展了以下研究工作:（1）提出了一种基于遗传算法和多策略初始解空间优化的中央空调系统设备模型参数辨识框架,克服了遗传算法在高维模型参数辨识时效率不高且模型精度较低的问题。该框架包含初始解空间优化和遗传算法寻优两个步骤:首先,提出了一种多策略初始解空间优化方法来确定模型初始解空间;然后,采用遗传算法在给定初始解空间内对模型参数进行辨识。结果表明,该方法可以有效提高遗传算法的参数辨识效率,并且最终得到的模型具有较高的精度。（2）提出了一种基于k-means聚类的中央空调系统设备模型预测区间估计方法,旨在对模型的预测不确定性进行定量估计。该方法包括残差聚类和预测区间估计两个步骤:首先,采用k-means聚类对训练集上的模型残差进行划分,得到不同输入组合下的模型残差;然后,根据模型残差的统计分位数估计模型的预测区间。结果表明,通过该方法可以得到可靠的预测区间。此外,模型预测不确定性与模型输入有关,该方法得到的预测区间能够自适应地追踪输入变量变化。（3）采用了模型残差补偿方法,旨在对中央空调系统设备模型的预测结果进行修正,提高中央空调系统设备模型的预测精度,并降低模型的预测不确定性。该方法使用人工神经网络对模型残差与模型输入之间的关系进行建模,从而实现对设备模型残差进行补偿。结果表明,对于冷水机组模型,经过误差补偿后,该模型的精度得到显着提高。其平均绝对误差、均方根误差、平均绝对误差百分比和均方根误差的变异系数分别降低36.49%、46.00%、33.16%和45.73%,而其决定系数提高25.75%。此外,结果进一步表明,该方法可以显着降低模型的预测不确定性。经过误差补偿后,该模型的预测区间宽度显着减小。本文为提高中央空调系统设备模型准确度和可靠性提供了新思路,有助于构建准确可靠的中央空调系统“数字孪生”模型,并最终实现高度自动化、智能化和低碳化的中央空调系统运维管理。
李红霞[6]（2021）在《基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究》文中进行了进一步梳理随着我国主要电网互联和混连受端电网进程推进,新能源和电力电子元件的增加,不同地区负荷需求及特征也呈现出较大的差异性、随机性和分散性。负荷相对落后于发电机和输电网络的建模工作,影响了整个电力系统模型计算的精度,因此面对时变的结构参数以及复杂的电力系统负荷进行建模,并根据实时动态数据进行在线参数辨识具有一定迫切性。针对电力系统新特征,本文应用到广域测量系统提供的实时运行的小扰动数据,以综合负荷模型为研究对象,基于自适应卡尔曼滤波算法在线辨识负荷参数,并利用遗传算法获取更加准确的系统噪声估计协方差矩阵,为电力系统的运行分析提供有效的参数辨识结果,提高对电网负荷的监视能力。负荷参数在线辨识方面,针对传统负荷建模方法在数据获取、辨识精度和在线辨识上受到限制的问题,提出基于广域测量系统量测技术的自适应卡尔曼滤波在线负荷参数辨识算法。首先考虑负荷模型的组成,建立并线性化综合负荷模型,基于同步相量测量单元在线实时测量的小扰动数据,提出了数据预处理方式,并对比传统卡尔曼滤波算法和改进的Sage-Husa自适应卡尔曼滤波算法两种技术路线,运用预报误差法解决辨识问题。系统噪声优化方面,提出一种基于遗传算法优化的自适应卡尔曼滤波算法,首先针对遗传算法的交叉、遗传和选择进行自适应调整,避免易陷入早熟致使收敛到局部最优解的缺陷,然后采用改进的遗传算法离线确定系统噪声协方差矩阵,以提高自适应卡尔曼滤波在线辨识负荷参数的计算效率和准确性,最后应用传统KF、AKF和本算法优化后的AKF辨识参数并对比有功功率和无功功率的拟合度,验证遗传算法优化的有效性。本文所提出的基于改进的自适应卡尔曼滤波的负荷参数在线辨识方法和优化模型参数的改进遗传算法经过浙江省电网的变电站实时运行数据验证,算例结果表明,本文提出的在线辨识算法,具有较好的适用性和较高的准确性。
黄振东[7]（2020）在《遗传算法在土石坝渗流监控模型应用研究》文中研究表明我国拥有世界上数量最多的土石坝,由于渗流对土石坝有重要的影响,研究、监控渗流对保障土石坝的安全至关重要,渗流监控模型的建立具有重要意义,但是渗流监控模型的拟合预测效果不佳的情况,仍有较大的提升空间。本文在参考国内外大量参考文献的基础上,科学合理的分析土石坝的各环境量和效应量之间的关系,建立各种监控模型对效应量进行拟合和预测,并利用遗传算法的优化功能,提升渗流监控模型的拟合预测效果。本文结合横向项目:“水库大坝渗流分析及对策研究”,开展了遗传算法在土石坝渗流监控模型应用研究,从土石坝的测压管水位和渗流量两个方面建立相应的监控模型,并利用遗传算法对渗流监控模型进行优化。主要研究内容和成果如下:1.本文结合该横向项目的土石坝原型观测资料对测压管水位和渗流量分别建立相应的统计模型和BP神经网络模型,并利用遗传算法优化并建立遗传统计模型和GA-BP神经网络模型。经过模型预测能力检验指标证实,经过遗传算法优化后的监控模型有更高的的模型精度和预测效果。另外,基于遗传算法优化后的监控模型,利用置信区间法建立的测压管水位和渗流量的监控指标,可直接用于工程监控,具有较强的实用意义。2.在利用遗传算法对统计模型和BP神经网络模型进行优化后发现,遗传算法均使模型在模型精度、预测能力上有一定的提升,但是提升的空间有限。所优化的模型如果自身的模型精度、预测能力不佳,遗传算法很难在根本上改变这个情况。因此,要获得最优的监控模型,除了利用遗传算法优化监控模型外,更重要的是选择模型拟合能力强的监控模型,比如BP神经网络模型。
郑蓉建[8]（2020）在《谷氨酸发酵过程的软测量建模研究》文中进行了进一步梳理生物产业（含发酵食品、发酵化学品、发酵医药品、发酵能源等）是国民经济的支柱产业,广泛应用于食品、饲料、医药和化工等领域。谷氨酸是世界上产量最大的氨基酸,主要通过发酵生产。在发酵过程中,重要生化参数（如菌体浓度、基质浓度、产物浓度等）的实时获取,对于过程的控制与优化具有十分重要的意义。然而发酵过程具有强烈非线性、时变性、强耦合等特征,关键生化参数无法在线检测,目前生产中大都采用实验室取样分析方法来得到。为此,软测量技术通过建立过程在线易测辅助变量与难测主导变量（重要生化参数）之间的数学模型,来实现对发酵过程重要生化参数的预测估计,是解决上述问题的有效途径。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业过程中得到广泛应用。本课题来源于国家自然科学基金面上项目（项目编号61273131）“生物反应过程的在线支持向量机建模与优化”,以典型生化过程——谷氨酸发酵过程为研究背景,结合谷氨酸发酵过程的实际生产操作机理,对谷氨酸发酵过程中难于在线测量的关键生化参数的软测量建模及相关问题进行了深入研究,取得的研究成果如下:（1）针对谷氨酸发酵过程关键生化参数无法在线检测给发酵优化控制带来困难问题,建立了改进遗传算法对模型参数进行辨识的谷氨酸分批流加非结构动力学模型。在发酵过程常用的Logistic模型、Luedeking-Piret等方程基础上建立了谷氨酸分批流加非结构动力学模型,分别采用非线性规划、基本遗传算法、改进遗传算法对模型参数进行辨识,并对不能在线测量的重要生化参数如菌体浓度、基质浓度和产物谷氨酸浓度进行拟合和估计预测,谷氨酸发酵实验和仿真结果验证了所建动力学模型的有效性。（2）针对高度非线性、时变性的谷氨酸发酵过程动力学模型存在批次性、预测精度差、机理建模困难问题,基于生化过程多阶段特性,提出多阶段支持向量机回归的数据驱动软测量模型、并应用于谷氨酸发酵过程产物浓度的预测。为此,首先建立了基于移动窗的皮尔逊相关系数结合线性回归的发酵过程阶段分割方法,分割结果与常规离线化验分析结果基本一致;其次,基于阶段划分的基础上建立多阶段支持向量机回归的产物谷氨酸浓度预测软测量模型。实验和仿真结果表明,多阶段模型相比全局单模型具有更高的预测能力。（3）针对支持向量机回归模型运算时间过长、谷氨酸发酵过程影响因素存在耦合等问题,在分析最小二乘支持向量机理论基础上,建立了偏最小二乘和最小二乘支持向量机相结合的谷氨酸发酵过程软测量模型。首先通过相关系数矩阵对输入变量进行相关性分析,表明变量间存在较强相关性;进一步采用方差膨胀因子对变量的多重共线性进行诊断,结果表明变量间存在中等程度共线性,需要对输入相关变量进行筛选。为此,利用偏最小二乘找出对预测模型输出变量重要的输入变量,降低预测模型输入变量维数、消除相关性、简化模型,以提高预测模型的精度。进一步,运用耦合模拟退火算法对最小二乘支持向量机的参数进行优化,谷氨酸发酵实验仿真结果表明,所建模型预测精度高,可为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。（4）针对支持向量机回归和最小二乘支持向量机等参数化回归软测量建模存在过拟合、参数设置困难、不能刻画预测结果不确定问题,设计了一种基于特征关联性的输入变量选择、超参数自适应获取、输出具有概率特性的自相关决定高斯过程软测量模型,并应用于谷氨酸发酵过程。首先应用高斯过程回归模型进行训练,同时在贝叶斯框架下,确定协方差函数中的超参数,利用训练好的高斯过程回归模型进行预测。其次,分析了谷氨酸浓度对发酵参数的感度发现,发酵时间、CO2释放速率CER、O2消耗速率OUR对谷氨酸浓度影响最大。进一步,分析了预测值的不确定性即方差和模型输入在线变量之间变化关系,当发酵罐温度T、CO2释放速率CER、O2消耗速率OUR异常变化时,发现预测值的方差随之发生明显变化,可利用预测值的方差异常变化作为发酵过程状态或传感器异常的指示器。谷氨酸发酵实验和仿真研究表明,所建基于特征关联性的自相关决定高斯过程回归的软测量模型可以实现对谷氨酸浓度的较高精度预测,且预测结果具有较小的置信度区间,满足发酵过程实时控制需要。（5）谷氨酸发酵过程是一个复杂的生化过程,在无法根据发酵过程复杂内部机理建立准确的动力学模型的条件下,要实现发酵过程的优化控制是一个具有挑战性的课题。基于对谷氨酸发酵过程机理分析和研究,运用软测量技术建立了难测参数的软测量模型,设计和优化了谷氨酸发酵过程溶氧控制,将所建软测量模型应用于谷氨酸发酵过程异常批次的识别,并基于罗克韦尔公司开发的RSLogix5000编程软件平台开发了一套谷氨酸发酵过程软测量建模及优化控制系统。通过实际应用表明,该系统能满足谷氨酸发酵过程的实际运行需求,提高了自动化水平,减轻操作人员的劳动强度。
桂建伟[9]（2020）在《伺服系统齿隙补偿与谐振抑制方法研究》文中提出伺服控制是运动控制领域的一个重要分支,伺服系统在现代工农业、国防和医疗等高新科技领域有着十分广泛的应用。伺服系统的典型机械传动结构是由高速伺服电机驱动减速传动机构,再由传动机构带动负载运动,完成能量的转换。一方面,这样的机械传动结构中一定会存在齿隙等非线性环节,齿隙非线性既是一种力矩传动过程中不可缺少的非线性因素,同时也是一种影响系统性能的非常重要的因素;另一方面,由于传动机构的刚度不是理想的无穷大,弹性导致的机械谐振现象对整个伺服系统的影响也是不可忽略的。本文首先分别介绍了齿隙非线性和机械谐振的产生原因和研究现状,然后以永磁同步电机伺服系统为研究对象,介绍了永磁同步电机的基本原理以及控制方案。另外,介绍了齿隙非线性的几种常见数学模型以及适用场合,并基于双惯量弹性系统分析了机械谐振的产生机理。分别对伺服系统存在的齿隙非线性和机械谐振进行了研究:一方面,针对系统的齿隙非线性,本文分别采用了线性最小二乘法和非线性最小二乘法对齿隙死区模型和近似死区模型的参数进行了辨识,通过辨识得到的齿隙模型对齿轮传动力矩进行了估计,设计了基于齿轮齿隙力矩补偿的反馈控制方案,并通过仿真和实验对提出的齿隙辨识方法和控制方案进行了验证。在齿隙非线性补偿的基础上,考虑到系统存在的摩擦力矩、电流环动态、齿隙建模偏差等集总扰动,设计了高阶滑模观测器对伺服系统存在的集总扰动进行了估计,基于高阶滑模观测器设计了非奇异终端滑模复合控制器,并且对提出的抗干扰复合控制方案的稳定性进行了证明,对控制效果进行仿真和实验验证。另一方面,针对系统的机械谐振,本文介绍了伺服系统机械特性的频域辨识方法和陷波滤波器算法抑制谐振的基本原理,然后采用chirp信号激励,进行离线FFT变换实现了伺服系统机械谐振特征的辨识,最后基于谐振频率的辨识结果,设计了二阶数字陷波滤波器算法,并在机械臂、丝杆、皮带轮实验平台上进行了相关的实验验证。
原禄城,刘恒,刘继桥,竹孝鹏,胡谷雨,陈卫标[10]（2020）在《基于遗传算法的相干多普勒测风激光雷达风场反演方法》文中指出提出了一种基于遗传算法进行频谱估计的相干多普勒测风激光雷达三维风场反演方法。该方法无需对视向风速进行计算,可以直接从多方位频谱密度中提取三维风场信息,能够提高弱信噪比情况下的数据反演精度。采用的遗传算法为针对相干激光雷达改进的遗传算法,能够准确、快速、并行地反演出风矢量解。对算法进行了仿真,结果显示,改进后的遗传算法在收敛速度以及全局寻优能力方面相对于传统遗传算法都有着明显提升,并且在低信噪比信号仿真对比中,此方法风场反演结果优于传统非线性最小二乘法反演结果。将该方法应用于实际雷达系统中,在激光雷达与探空气球实测数据对比中,两者水平风速均方根误差小于0.7 m/s,水平风向标准偏差小于6°,这些结果验证了风场反演结果的精确性。将采用所提方法得到的结果与实测数据最小二乘法风场反演结果进行对比,发现在当时的大气条件下,频谱估计法约有12.3%的探测距离的增大。仿真和实测数据对比结果充分证明了此方法反演三维风场的能力和有效性。
二、非线性最小二乘估计的遗传算法（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、非线性最小二乘估计的遗传算法（论文提纲范文）
（1）基于两种优化算法的非线性最小二乘平差分析（论文提纲范文）
| 0 引言 |
| 1 非线性最小二乘的常规解法 |
| 2 两类优化算法 |
| 2.1 遗传算法 |
| 2.2 粒子群算法 |
| 3 基于两类优化算法的非线性平差算例分析 |
| 3.1 搜索算法参数设置 |
| 3.1.1 遗传算法参数设置 |
| 3.1.2 粒子群算法参数设置 |
| 3.2 平差结果及分析 |
| 4 结语 |
（2）挖掘机工作装置动力学分析及其挖掘作业轨迹控制研究（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 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 挖掘机工作装置动力学分析与轨迹控制技术研究现状 |
| 1.2.1 挖掘机运动学与动力学分析 |
| 1.2.2 挖掘机铲斗-土壤相互作用力模型 |
| 1.2.3 挖掘过程相关土壤参数估计 |
| 1.2.4 挖掘机工作装置轨迹控制技术研究 |
| 1.3 本文的主要研究内容 |
| 第2章 基于旋量理论的挖掘机工作装置运动学与动力学分析 |
| 2.1 引言 |
| 2.2 基于旋量理论的挖掘机工作装置运动学分析 |
| 2.2.1 正向运动学 |
| 2.2.2 逆向运动学 |
| 2.2.3 微分运动学 |
| 2.3 基于旋量理论的挖掘机工作装置动力学分析 |
| 2.4 本章小结 |
| 第3章 铲斗-土壤相互作用的挖掘阻力研究 |
| 3.1 引言 |
| 3.2 挖掘机铲斗-土壤相互作用数学模型 |
| 3.3 DEM-MBD耦合仿真 |
| 3.3.1 离散单元法原理 |
| 3.3.2 RecurDyn简介 |
| 3.3.3 EDEM-RrcurDyn耦合仿真 |
| 3.4 挖掘阻力数学建模与虚拟样机仿真对比 |
| 3.4.1 不同挖掘深度分析对比 |
| 3.4.2 不同土壤颗粒分布分析对比 |
| 3.5 本章小结 |
| 第4章 基于遗传算法的挖掘阻力参数估计 |
| 4.1 引言 |
| 4.2 土壤破坏力模型 |
| 4.2.1 Mohr-Coulomb土壤破坏模型 |
| 4.2.2 Chen and Liu’s upper bound(CLUB)土壤破坏模型 |
| 4.3 遗传算法在土壤参数估计中的应用 |
| 4.3.1 采用Mohr-Coulomb模型估计 |
| 4.3.2 采用CLUB模型估计 |
| 4.4 本章小结 |
| 第5章 铲斗挖掘作业轨迹控制 |
| 5.1 引言 |
| 5.2 挖掘机关节空间自适应滑模轨迹控制 |
| 5.2.1 挖掘机关节空间建模 |
| 5.2.2 关节空间规划轨迹生成 |
| 5.2.3 自适应滑模控制器设计 |
| 5.3 挖掘机驱动空间基于高增益观测器的自适应滑模控制 |
| 5.3.1 挖掘机工作装置驱动空间与关节空间关系 |
| 5.3.2 挖掘机工作装置驱动空间轨迹规划与液压模型 |
| 5.3.3 基于观测器的滑模变结构控制 |
| 5.3.4 控制仿真 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
| 个人简历 |
（3）距离观测方程参数估计的随机搜索法（论文提纲范文）
| 0 引言 |
| 1 距离观测方程非线性平差 |
| 1.1 距离观测方程的非线性最小二乘 |
| 1.2 阻尼最小二乘法 |
| 2 距离观测方程参数估计的遗传算法 |
| 2.1 适应度函数的选取 |
| 2.2 算法流程 |
| 3 实验分析 |
| 3.1 短程测距实验 |
| 3.2 水下定位实验 |
| 4 结束语 |
（4）动力锂离子电池SOC和容量估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 锂离子电池建模研究进展 |
| 1.2.2 锂离子电池模型参数辨识方法研究进展 |
| 1.2.3 锂离子电池SOC估计方法研究进展 |
| 1.2.4 锂离子电池容量估计方法研究进展 |
| 1.3 本文的主要研究内容 |
| 2 基于人群搜索算法优化的锂离子电池等效电路模型参数辨识 |
| 2.1 引言 |
| 2.2 锂离子电池建模 |
| 2.3 等效电路模型参数辨识算法 |
| 2.3.1 基于人群搜索算法优化的等效电路模型参数初始值 |
| 2.3.2 基于递推最小二乘结合初始参数的等效电路模型在线参数辨识 |
| 2.4 算法验证与分析 |
| 2.4.1 DST放电工况下的参数辨识算法验证与分析 |
| 2.4.2 FUDS放电工况下的参数辨识算法验证与分析 |
| 2.5 本章小结 |
| 3 用于锂离子电池SOC估计的变窗口自适应扩展卡尔曼滤波方法 |
| 3.1 引言 |
| 3.2 变窗口自适应扩展卡尔曼滤波算法 |
| 3.2.1 自适应扩展卡尔曼滤波原理 |
| 3.2.2 变窗口噪声估计器 |
| 3.2.3 变窗口自适应扩展卡尔曼滤波框架搭建 |
| 3.3 算法验证和分析 |
| 3.3.1 DST放电工况下的SOC估计结果验证与分析 |
| 3.3.2 FUDS放电工况下的SOC估计结果验证与分析 |
| 3.4 本章小结 |
| 4 用于锂离子电池SOC估计的变窗口自适应无迹卡尔曼滤波方法 |
| 4.1 引言 |
| 4.2 变窗口自适应无迹卡尔曼滤波算法 |
| 4.2.1 自适应无迹卡尔曼滤波原理 |
| 4.2.2 变窗口噪声估计器 |
| 4.2.3 变窗口自适应无迹卡尔曼滤波框架搭建 |
| 4.3 算法验证与分析 |
| 4.3.1 DST放电工况下的SOC估计结果验证 |
| 4.3.2 FUDS放电工况下的SOC估计结果验证与分析 |
| 4.4 本章小结 |
| 5 基于恒压充电曲线重构健康特征的锂离子电池容量估计方法 |
| 5.1 引言 |
| 5.2 锂离子电池随机放电实验介绍 |
| 5.3 恒压充电阶段健康预测特征构建及相关性分析 |
| 5.3.1 恒压充电阶段健康预测特征构建 |
| 5.3.2 健康特征参数相关性分析 |
| 5.4 基于支持向量机结合健康特征的容量预测方法 |
| 5.5 结果与讨论 |
| 5.6 本章小结 |
| 6 基于随机放电曲线构建健康特征的锂离子电池容量估计方法 |
| 6.1 引言 |
| 6.2 锂离子电池随机放电实验介绍 |
| 6.3 随机放电阶段健康预测特征参数构建及相关性分析 |
| 6.3.1 随机放电阶段健康特征参数构建 |
| 6.3.2 健康特征参数相关性分析 |
| 6.4 基于人群搜索算法优化支持向量机的容量预测方法 |
| 6.5 结果与讨论 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（5）中央空调系统数字孪生模型参数辨识及其不确定性估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 数字孪生简介及研究现状 |
| 1.3 模型参数辨识方法研究现状 |
| 1.3.1 经典优化算法 |
| 1.3.2 启发式优化算法 |
| 1.4 模型预测不确定性估计方法研究现状 |
| 1.5 模型误差补偿方法研究现状 |
| 1.6 本文的主要研究内容 |
| 2 中央空调系统工程概况及设备模型 |
| 2.1 中央空调系统的工作原理 |
| 2.2 项目概况 |
| 2.2.1 中央空调系统概况 |
| 2.2.2 中央空调系统的监测内容 |
| 2.2.3 卷烟厂室内负荷 |
| 2.3 设备模型 |
| 2.3.1 冷水机组模型 |
| 2.3.2 水泵模型 |
| 2.4 本章小结 |
| 3 中央空调水系统设备模型参数辨识 |
| 3.1 遗传算法介绍 |
| 3.2 基于遗传算法和多策略初始解空间优化的模型参数辨识方法 |
| 3.3 性能验证 |
| 3.3.1 数据概况 |
| 3.3.2 性能评价指标 |
| 3.3.3 冷机模型参数辨识结果 |
| 3.3.4 冷冻水泵模型参数辨识结果 |
| 3.3.5 冷却水泵模型参数辨识结果 |
| 3.4 本章小结 |
| 4 中央空调水系统设备模型预测不确定性估计 |
| 4.1 基于k-means聚类的模型预测区间估计方法 |
| 4.1.1 残差聚类 |
| 4.1.2 预测区间估计 |
| 4.2 性能验证 |
| 4.2.1 数据概况 |
| 4.2.2 性能评价指标 |
| 4.2.3 冷机模型预测区间估计结果 |
| 4.2.4 冷冻水泵模型预测区间估计结果 |
| 4.2.5 冷却水泵模型预测区间估计结果 |
| 4.3 本章小结 |
| 5 中央空调水系统设备模型误差补偿 |
| 5.1 人工神经网络 |
| 5.2 基于人工神经网络的模型残差补偿方法 |
| 5.2.1 残差补偿神经网络训练 |
| 5.2.2 设备模型残差补偿 |
| 5.3 性能验证 |
| 5.3.1 数据概况 |
| 5.3.2 性能评价指标 |
| 5.3.3 冷机模型误差补偿结果 |
| 5.4 本章小结 |
| 6 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（6）基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 负荷建模工作发展及研究现状 |
| 1.3 参数辨识工作发展及研究现状 |
| 1.4 本文工作概述 |
| 2 负荷模型及负荷参数辨识分析 |
| 2.1 负荷模型基本结构研究 |
| 2.1.1 静态负荷模型 |
| 2.1.2 动态负荷模型 |
| 2.1.3 综合负荷模型 |
| 2.2 负荷建模方法研究 |
| 2.2.1 统计综合法 |
| 2.2.2 总体测辨法 |
| 2.2.3 故障仿真法 |
| 2.3 负荷参数辨识方法分析 |
| 2.3.1 系统辨识理论 |
| 2.3.2 负荷模型参数辨识方法 |
| 2.4 数据来源与预处理技术 |
| 2.4.1 WAMS/PMU原理及数据特点分析 |
| 2.4.2 数据预处理研究 |
| 3 基于自适应卡尔曼滤波的负荷参数辨识 |
| 3.1 引言 |
| 3.2 综合负荷模型及参数介绍 |
| 3.3 自适应卡尔曼滤波算法 |
| 3.3.1 适用于负荷模型辨识的传统卡尔曼滤波方法 |
| 3.3.2 改进的Sage-Husa自适应卡尔曼滤波计算方法 |
| 3.3.3 系统噪声选定方法 |
| 3.3.4 数据处理方法 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 4 基于遗传算法优化的自适应卡尔曼滤波模型参数辨识 |
| 4.1 引言 |
| 4.2 基于遗传算法优化的AKF结构 |
| 4.3 基于遗传算法优化的AKF辨识参数的实现 |
| 4.3.1 初始化设计 |
| 4.3.2 混合无重选择算子设计 |
| 4.3.3 自适应交叉算子设计 |
| 4.3.4 高斯近似变异算子设计 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（7）遗传算法在土石坝渗流监控模型应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 土石坝渗流监控模型研究现状 |
| 1.2.2 遗传算法优化模型研究现状 |
| 1.2.3 监控指标研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 技术路线 |
| 2 遗传算法优化下的监控模型 |
| 2.1 遗传算法原理 |
| 2.1.1 遗传编码 |
| 2.1.2 适应函数 |
| 2.1.3 遗传操作 |
| 2.2 遗传算法优化下的偏最小二乘法 |
| 2.2.1 偏最小二乘法统计模型的优点及原理方法 |
| 2.2.2 遗传算法优化统计模型 |
| 2.3 遗传算法优化下的BP人工神经网络模型 |
| 2.3.1 BP人工神经网络模型的结构 |
| 2.3.2 数据归一化和反归一化 |
| 2.3.3 隐含层节点个数的确定 |
| 2.3.4 遗传算法优化BP神经网络模型原理方法 |
| 2.4 模型预测评价指标 |
| 2.5 本章小结 |
| 3 土石坝测压管水位监控模型遗传算法优化 |
| 3.1 测压管水位监控模型的建立与遗传算法优化过程 |
| 3.1.1 测压管水位统计模型的建立与优化过程 |
| 3.1.2 测压管水位BP神经网络模型的建立与优化过程 |
| 3.2 土石坝测压管水位统计模型遗传算法优化 |
| 3.2.1 工程概况 |
| 3.2.2 因子选择和统计模型的初步建立 |
| 3.2.3 因子参数回归估计 |
| 3.2.4 遗传算法优化统计模型 |
| 3.2.5 遗传算法优化统计模型前后对比分析 |
| 3.3 土石坝测压管水位BP神经网络模型遗传算法优化 |
| 3.3.1 模型训练样本和测试样本的选择 |
| 3.3.2 BP神经网络结构的确定 |
| 3.3.3 BP神经网络训练 |
| 3.3.4 遗传算法优化BP神经网络模型 |
| 3.3.5 遗传算法优化BP神经网络模型前后对比分析 |
| 3.4 测压管水位统计模型与BP神经网络模型对比分析 |
| 3.5 测压管水位监控指标 |
| 3.6 本章小结 |
| 4 土石坝渗流量监控模型遗传算法优化 |
| 4.1 渗流量监控模型的建立与遗传算法优化过程 |
| 4.1.1 渗流量统计模型的建立与优化过程 |
| 4.1.2 渗流量BP神经网络模型的建立与优化过程 |
| 4.2 土石坝渗流量统计模型遗传算法优化 |
| 4.2.1 渗流量资料分析 |
| 4.2.2 因子选择和统计模型的初步建立 |
| 4.2.3 因子参数回归估计 |
| 4.2.4 遗传算法优化统计模型 |
| 4.2.5 遗传算法优化统计模型前后对比分析 |
| 4.3 土石坝渗流量BP神经网络模型遗传算法优化 |
| 4.3.1 模型训练样本和测试样本的选择 |
| 4.3.2 网络结构和参数的确定 |
| 4.3.3 BP神经网络训练 |
| 4.3.4 遗传算法优化BP神经网络模型 |
| 4.3.5 遗传算法优化BP神经网络模型前后对比分析 |
| 4.4 渗流量统计模型与BP神经网络模型对比分析 |
| 4.5 渗流量监控指标 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）谷氨酸发酵过程的软测量建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外谷氨酸产业的发展现状 |
| 1.2.1 谷氨酸物化性质及发展历史 |
| 1.2.2 国内外谷氨酸产业现状 |
| 1.3 软测量技术 |
| 1.3.1 软测量建模概述 |
| 1.3.2 软测量建模步骤与内容 |
| 1.3.3 软测量建模方法 |
| 1.3.4 软测量技术应用 |
| 1.4 发酵过程软测量建模国内外研究现状 |
| 1.4.1 基于机理模型的发酵过程软测量 |
| 1.4.2 基于数据驱动的发酵过程软测量 |
| 1.4.3 混合模型软测量 |
| 1.5 主要研究内容和结构安排 |
| 第二章 谷氨酸发酵过程动力学建模 |
| 2.1 引言 |
| 2.2 发酵过程基础数学模型 |
| 2.2.1 发酵过程合成和和代谢分解反应 |
| 2.2.2 发酵过程典型数学模型 |
| 2.2.3 发酵过程比反应速率模型 |
| 2.3 谷氨酸发酵过程代谢(流)网络分析 |
| 2.3.1 材料与方法 |
| 2.3.2 发酵过程影响因素分析 |
| 2.3.3 代谢网络模型的简化、计算和求解 |
| 2.3.4 基于代谢网络结构模型的谷氨酸浓度预测 |
| 2.4 谷氨酸发酵分批流加非结构动力学建模 |
| 2.4.1 非线性规划确定非结构动力学模型参数 |
| 2.4.2 遗传算法确定非结构动力学模型参数 |
| 2.4.3 改进遗传算法确定非结构动力学模型参数 |
| 2.5 本章小结 |
| 第三章 基于多阶段支持向量机回归的谷氨酸发酵过程软测量 |
| 3.1 引言 |
| 3.2 支持向量机 |
| 3.2.1 支持向量机分类 |
| 3.2.2 支持向量机回归 |
| 3.3 多阶段分割算法 |
| 3.4 基于多阶段支持向量机回归的谷氨酸浓度软测量 |
| 3.5 结果与讨论 |
| 3.6 本章小结 |
| 第四章 基于偏最小二乘和最小二乘支持向量机的谷氨酸发酵过程软测量 |
| 4.1 引言 |
| 4.2 偏最小二乘 |
| 4.2.1 PLS原理与计算方法 |
| 4.2.2 模型提取成分的确定 |
| 4.3 最小二乘支持向量机 |
| 4.4 基于耦合模拟退火的最小二乘支持向量机软测量 |
| 4.4.1 模拟退火算法 |
| 4.4.2 耦合模拟退火算法 |
| 4.4.3 耦合模拟退火优化参数算法 |
| 4.4.4 基于CSA优化的LSSVM软测量预测算法 |
| 4.5 基于PLS-LSSVM的谷氨酸发酵过程软测量 |
| 4.5.1 PLS-LSSVM软测量预测模型实现流程 |
| 4.5.2 辅助变量选择 |
| 4.6 结果与讨论 |
| 4.6.1 模型性能评估指标 |
| 4.6.2 PLS与 LSSVM模型比较 |
| 4.6.3 SVM和 LSSVM预测模型比较 |
| 4.6.4 PLS-LSSVM简化模型性能分析 |
| 4.7 本章小结 |
| 第五章 基于高斯过程的谷氨酸发酵过程软测量 |
| 5.1 引言 |
| 5.2 高斯过程模型 |
| 5.2.1 无参预测 |
| 5.2.2 高斯过程回归 |
| 5.2.3 协方差函数 |
| 5.2.4 高斯过程的模型选择 |
| 5.2.5 高斯过程稀疏化 |
| 5.3 基于PLS-GP的谷氨酸发酵过程软测量 |
| 5.3.1 基于PLS-GP的软测量模型架构 |
| 5.3.2 训练数据的准备 |
| 5.3.3 输入变量选择 |
| 5.3.4 协方差函数的确定 |
| 5.3.5 结果和讨论 |
| 5.4 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.4.1 基于预测方差的自主动高斯过程模型 |
| 5.4.2 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.5 基于自相关决定高斯过程的谷氨酸发酵软测量 |
| 5.5.1 基于特征关联性的自相关决定变量选择 |
| 5.5.2 结果和讨论 |
| 5.6 本章小结 |
| 第六章 谷氨酸发酵过程软测量建模及优化控制系统的开发 |
| 6.1 引言 |
| 6.2 谷氨酸发酵过程软测量实施系统软件构架 |
| 6.3 谷氨酸发酵过程计算机控制系统 |
| 6.3.1 溶解氧控制 |
| 6.3.2 温度控制 |
| 6.3.3 pH值控制 |
| 6.3.4 压力的控制 |
| 6.3.5 泡沫的控制 |
| 6.4 谷氨酸发酵过程溶解氧的优化控制 |
| 6.4.1 材料与方法 |
| 6.4.2 DO控制算法 |
| 6.4.3 结果和讨论 |
| 6.5 监控系统设计 |
| 6.6 Matlab与 RSView32 通信的实现 |
| 6.7 软测量应用实例——谷氨酸发酵过程异常批次识别 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间的成果 |
（9）伺服系统齿隙补偿与谐振抑制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 齿隙非线性的研究现状 |
| 1.3 谐振抑制的研究现状 |
| 1.3.1 机械谐振抑制的主动方式 |
| 1.3.2 机械谐振抑制的被动方式 |
| 1.4 论文组织结构 |
| 第二章 交流伺服系统建模与分析 |
| 2.1 引言 |
| 2.2 永磁同步电机伺服控制系统 |
| 2.2.1 永磁同步电机的工作原理与控制方案 |
| 2.2.2 矢量控制下永磁同步电机的数学模型 |
| 2.2.3 矢量控制策略 |
| 2.3 伺服系统的齿隙模型和弹性系统模型 |
| 2.3.1 伺服系统的机械结构 |
| 2.3.2 齿隙非线性的数学模型 |
| 2.3.3 双惯量弹性系统模型 |
| 2.4 小结 |
| 第三章 伺服系统齿隙非线性的辨识与补偿 |
| 3.1 引言 |
| 3.2 齿隙死区模型辨识 |
| 3.2.1 线性最小二乘法参数辨识 |
| 3.2.2 非线性最小二乘法参数辨识 |
| 3.2.3 遗传算法参数辨识 |
| 3.3 基于齿隙死区模型的齿隙补偿控制器设计 |
| 3.4 仿真与实验结果 |
| 3.4.1 仿真结果与分析 |
| 3.4.2 实验结果与分析 |
| 3.5 小结 |
| 第四章 基于高阶滑模观测器的非奇异终端滑模控制器设计 |
| 4.1 引言 |
| 4.2 高阶滑模观测器 |
| 4.2.1 基于扰动观测器的控制算法 |
| 4.2.2 常用的干扰与不确定性估计算法 |
| 4.2.3 高阶滑模观测器的设计方法 |
| 4.3 基于非奇异终端滑模的复合控制器设计 |
| 4.3.1 控制器设计 |
| 4.3.2 稳定性证明 |
| 4.4 仿真与实验结果 |
| 4.4.1 仿真结果与分析 |
| 4.4.2 实验结果与分析 |
| 4.5 小结 |
| 第五章 基于陷波滤波算法的机械谐振抑制 |
| 5.1 引言 |
| 5.2 机械特性辨识 |
| 5.2.1 频域辨识的基本原理 |
| 5.2.2 测试结构与方法 |
| 5.3 机械振动抑制算法 |
| 5.4 实验结果与分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）基于遗传算法的相干多普勒测风激光雷达风场反演方法（论文提纲范文）
| 1 引 言 |
| 2 基于遗传算法的频谱估计法 |
| 2.1 频谱估计法原理 |
| 2.2 基于遗传算法的频谱估计法 |
| 2.3 仿真模拟对比分析 |
| 3 激光雷达外场实验测量数据对比分析 |
| 3.1 相干多普勒测风激光雷达系统 |
| 3.2 实验结果对比 |
| 4 结 论 |
四、非线性最小二乘估计的遗传算法（论文参考文献）
- [1]基于两种优化算法的非线性最小二乘平差分析[A]. 简灵活,王新鹏,曾怀恩. 第十三届全国边坡工程技术大会论文集, 2021
- [2]挖掘机工作装置动力学分析及其挖掘作业轨迹控制研究[D]. 徐国胜. 哈尔滨工业大学, 2021(02)
- [3]距离观测方程参数估计的随机搜索法[J]. 史德杰,孙远远,马克波,何冬晓,张胜伟. 北京测绘, 2021(04)
- [4]动力锂离子电池SOC和容量估计方法研究[D]. 孙道明. 浙江大学, 2021(01)
- [5]中央空调系统数字孪生模型参数辨识及其不确定性估计方法研究[D]. 张丽珠. 浙江大学, 2021(09)
- [6]基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究[D]. 李红霞. 浙江大学, 2021(08)
- [7]遗传算法在土石坝渗流监控模型应用研究[D]. 黄振东. 南昌工程学院, 2020(06)
- [8]谷氨酸发酵过程的软测量建模研究[D]. 郑蓉建. 江南大学, 2020(01)
- [9]伺服系统齿隙补偿与谐振抑制方法研究[D]. 桂建伟. 东南大学, 2020(01)
- [10]基于遗传算法的相干多普勒测风激光雷达风场反演方法[J]. 原禄城,刘恒,刘继桥,竹孝鹏,胡谷雨,陈卫标. 中国激光, 2020(08)