非线性最小二乘拟合的计算方法

本文对工程中经常遇到的非线性最小二乘拟合问题提出了一个计算机算法。该方法共分两步：首先利用优选法求出非线性参数，然后计算线性参数。对于三参数曲线，利用线性回归分析求线性参数；对于多参数曲线，则利用广义逆矩阵理论求出线性参数。在这些算法中，迭代初值可以任意选取，而迭代总是收敛的。     

基于IPSO-Capsule-NN模型的中欧班列出口需求量预测

为提高中欧班列出口需求量的预测精度,提出将改进粒子群算法(IPSO)与胶囊神经网络(Capsule-NN)相结合的预测模型(IPSO-Capsule-NN)。与全连接神经网络不同,胶囊神经网络通过动态路由算法增强了模型的拟合能力和泛化能力。利用改进粒子群算法优化胶囊神经网络的神经元数量、迭代次数以及学习率,以克服人为设定模型参数随机性较大导致模型精确度不高的不足之处。此外,针对标准粒子群算法存在的缺点,提出一种非线性递减惯性权重并引入Levy飞行对粒子群算法的全局寻优能力和收敛速度进行优化。将采用spearman秩相关性分析得到的11个因素作为中欧班列出口需求量的影响因素并对其进行预测,结果表明:胶囊神经网络具有2层隐含层时,IPSO-Capsule-NN模型预测精度更高。     

结构可靠度计算的约束极小化方法

本文提出结构可靠度计算的约束极小化方法，该方法对于非线性极限状态函数是一个精确的算法，在理论上它比一次二阶矩方法更严密。本方法与一次二阶矩方法不同，不需求出极限状态函数关于各变元的偏导数。因此。当利用计算机计算时，算前的准确工作量小，该方法对迭代初值无任何限制并且迭代总是收敛的。     

任意平面网坐标自动解算的非线性最小二乘平差算法

首次将求解带约束非线性规划问题的一种十分有效的SQPM（序列二次规划法）算法应用于求解平面网坐标平差法的非线性最小二乘问题，并对其进行了一系列大的改进。改进的SQPM算法无论在迭代收敛性和迭代收敛速率方面还是在解算控制点的数量方面都取得了令人满意的结果。真正实现了任意平面网控制点坐标平差值的自动解算。近百个算例和工程实例验证了该法的可行性。     

非线性动力学系统开闭环D型迭代学习控制器设计及其应用

对迭代学习控制算法进行了研究,针对非线性动力学模型,提出一种开闭环D型迭代学习律,给出了迭代学习控制算法收敛的充分性条件.计算机仿真结果表明,该方法具有优良的跟踪精度,可以用于机器人高精度轨迹控制.     

非线性动力学系统开闭环D型迭代学习控制器设计及其应用

对迭代学习控制算法进行了研究，针对非线性动力学模型，提出一种开闭环D型迭代学习律，给出了迭代学习控制算法收敛的充分性条件。计算机仿真结果表明，该方法具有优良的跟踪精度，可以用于机器人高精度轨迹控制。     

非线性系统开闭环PD型迭代学习控制及其在机器人中的应用

针对一类非线性时变系统的迭代学习控制问题提出了一种开闭环PD型迭代学习控制律.这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,即在开环迭代学习控制的基础上引入一反馈环形成反馈-前馈迭代学习控制律,提高系统的跟踪性能.文中给出了使此迭代学习算法收敛的充分条件和必要条件.最后,本文结果在机器人系统中的仿真应用表明了本文方法的可行性和有效性.     

非线性系统开闭环PD型迭代学习控制及其在机器人中的应用

针对一类非线性时变系统的迭代学习控制问题提出了一种开闭环PD型迭代学习控制律，这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用，即在开环迭代学习控制的基础上引入一反馈环形成反馈－前馈迭代学习控制律，提高系统的跟踪性能，文中给出了使此迭代学习算法收敛的充分条件和必要条件，最后，本文结果在机器人系统中的仿真应用表明了本文方法的可行性和有效性。     

基于数据驱动的磁浮列车悬浮系统参数辨识

在长时间运作过程中,由于零部件发生磨损和替换等,磁浮列车悬浮设备的物理参数存在不准确的问题,从而导致悬浮控制的鲁棒性下降。为进一步修正及校准,采用基于线性递减惯性权重的改进粒子群优化算法对悬浮设备的悬浮物质量、磁极面积和线圈匝数等关键参数进行辨识。以中低速单点悬浮试验台为研究对象,结合实时仿真系统DSPACE搭建半实物仿真平台,采集悬浮间隙、垂向加速度和励磁电流的闭环时间序列。根据悬浮系统非线性模型,结合电流和加速度等实测序列及参数估计值计算间隙估计序列,以实测值与估计值的均方误差最小化为目标迭代寻优得到全局最优解。此外,将非线性模型变换为线性回归方程形式,应用最小二乘法对上述参数进行辨识。通过分别引入2种算法的辨识结果,基于同一组PID控制参数建立悬浮系统非线性仿真模型来模拟悬浮试验台的控制过程,结果表明：应用改进粒子群算法所得参数的模型输出序列更贴近实测间隙序列,说明改进粒子群算法的辨识结果更为准确。该结果对修正磁浮列车悬浮系统非线性模型及提供可靠的悬浮系统动力学响应分析具有现实意义。     

基于粒子群BP网络混合算法的边坡稳定性评价

边坡稳定性评价与预测具有高度非线性和不确定性特征,难以用准确的数学模型表达。选取多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、黏聚力、坡角、坡高、孔隙压力比6个主要影响因素作为土坡稳定性的评价判别指标;然后采用粒子群算法优化BP神经网络模型,实现混合算法,在保持BP网络算法误差反向传播修正权值特点的同时,将网络权值和阈值粒子化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而加快收敛速度和提高收敛精度,避免传统粒子群结合BP网络算法的"早熟"现象;通过与其他算法进行边坡稳定性评价的比较分析,表明了本文研究算法的可行性与合理性。