本書不在沿用基于模型來進行聚類的研究思路,而是借用非常靈活的非參數(shù)方法。本書的研究目標是使用非參數(shù)方法來研究非線性時間序列的聚類問題,通過理解序列是如何被生成的,估計出生成時間序列的隨機過程之間的相似性來定義其距離度量。本對比研究了現(xiàn)有的非參數(shù)時間序列聚類方法,提出一類以時間序列平滑后的自回歸函數(shù)的差異作為度量的聚類方法,一類基于時間序列的核密度估計的聚類方法,KS1D度量和KS2D距離度量。
前言
(一)研究意義廣義的控制系統(tǒng)包括反饋控制、檢測分析、故障診斷等系統(tǒng)。經(jīng)典系統(tǒng)大多建立在確定的模型基礎之上,其結構精簡、應用廣泛。然而,上述系統(tǒng)在工程實踐中存在以下問題:一是系統(tǒng)面對內(nèi)部及外部環(huán)境的復雜多變、各環(huán)節(jié)存在大量不確定因素等問題無法智能化地自主應對;二是日常對控制參數(shù)反復調(diào)試調(diào)優(yōu),對系統(tǒng)各狀態(tài)檢測分析、故障診斷和處理等工作,消耗著大量人力;三是經(jīng)典系統(tǒng)的各方面性能有待提升。長期以來,上述問題一直是控制科學與工程領域的熱點和焦點問題,也是本書將要應對和解決的核心問題。人工智能技術可以使機器模擬人的思維能力,解決推理、分析、判斷、尋優(yōu)等問題,為實現(xiàn)廣義控制系統(tǒng)的智能化提供理論基礎和方法工具。本書通過三個主要研究步驟,嘗試解決上述問題:①對經(jīng)典的人工智能方法進行改進和對比驗證;②將改進的人工智能方法應用于智能監(jiān)控系統(tǒng)的視頻分析應用中,進一步驗證該方法,解決廣義控制系統(tǒng)中異常檢測分析診斷方面的智能化問題;③將多種人工智能方法與經(jīng)典控制方法相結合,形成改進(復合)的經(jīng)典控制方法,解決廣義控制系統(tǒng)中控制方法的智能化問題,即解決控制參數(shù)在線整定問題,提升控制系統(tǒng)各項性能。(二)研究內(nèi)容本書的主要內(nèi)容如下:1.提出了經(jīng)典控制系統(tǒng)存在的問題,對國內(nèi)外現(xiàn)有的人工智能、智能系統(tǒng)和先進控制領域的主要研究成果和方法進行調(diào)查、對比研究,明確了研究思路和技術路線。2.為得到具有更好特性的人工智能方法,提出將小波分析變換融入BPNN和RBFNN混合結構神經(jīng)網(wǎng)絡隱含層,同時增加訓練樣本集自適應機制,形成自適應小波神經(jīng)網(wǎng)絡(AWNN)的方法。通過理論推導、與BPNN和RBFNN方法進行計算機仿真對比分析,驗證AWNN方法在學習速度、分辨率和精度、訓練成功率方面的提升,以及不同的學習效率、慣性系數(shù)、目標誤差參數(shù)對訓練結果的影響。3.為進一步驗證AWNN的特性,解決廣義控制系統(tǒng)中的異常檢測分析應用中的智能化問題,提出將AWNN應用到智能視頻分析系統(tǒng)中進行驗證的方案。通過計算機仿真對比分析,進一步驗證了在高維神經(jīng)網(wǎng)絡輸入的情況下,自適應小波神經(jīng)網(wǎng)絡的學習速度、分辨率和精度、訓練成功率方面的提升。通過視頻分析系統(tǒng)軟硬件聯(lián)調(diào)測試,驗證了自適應小波神經(jīng)網(wǎng)絡在處理分類識別方面應用的可用性,在一定程度上解決了廣義的控制系統(tǒng)中異常檢測分析診斷方面的智能化問題。4.為解決經(jīng)典控制方法和系統(tǒng)無法智能化應對控制系統(tǒng)的不確定性、非線性、復雜性和參數(shù)調(diào)試重復性問題,提出了第一類基于神經(jīng)網(wǎng)絡的控制參數(shù)在線整定方法(AWNN-PID),并為提升算法性能引入了預測方法,提出了基于向量時間序列預測和神經(jīng)網(wǎng)絡的控制參數(shù)在線整定方法(VARMA-AWNN-PID)。通過算法理論推導、穩(wěn)定性和穩(wěn)態(tài)性理論分析,以及與BPNN-PID、RBFNN-PID進行階躍響應、穩(wěn)定性保障、抗擾、斜坡響應、加速度響應等計算機仿真對比研究,最終驗證了新方法在動態(tài)性能、穩(wěn)態(tài)性能、抗干擾能力、跟蹤能力方面的提升。5.為更全面地驗證控制參數(shù)在線整定方法,提出并實現(xiàn)了第二類基于專家規(guī)則或模糊推理機制的控制參數(shù)在線整定方法的改進方案。在現(xiàn)有的E-PID、F-PID方法的基礎上,把原有的通過直接查詢計算控制參數(shù)的方式改進為通過變化率調(diào)整控制參數(shù)的方式,再通過引入預測機制,先后實現(xiàn)了EA-PID、FA-PID、VARMA-EA-PID、VARMA-FA-PID方法。通過理論推導和計算機仿真實驗,驗證了上述方法在動態(tài)性能、穩(wěn)態(tài)誤差、抗干擾能力等方面的提升。6.將上述第一類基于神經(jīng)網(wǎng)絡的控制參數(shù)在線整定方法與第二類基于專家規(guī)則或模糊推理機制的控制參數(shù)在線整定方法進行比較研究,總結兩類方法各自的優(yōu)勢和問題,提出不同方法在系統(tǒng)的智能和性能方面的分析結果和適用原則,在一定程度上解決了控制系統(tǒng)的不確定性、非線性、復雜性和參數(shù)調(diào)試重復性等問題。(三)研究價值本書的價值與創(chuàng)新點主要體現(xiàn)在以下三個方面:1系統(tǒng)地描述了預測與神經(jīng)網(wǎng)絡計算智能與經(jīng)典PID控制相結合的方法;2系統(tǒng)地描述了預測與模糊計算智能復合經(jīng)典PID控制方法與實現(xiàn);3詳細地給出上述方法的改進過程、Matlab計算機仿真和具體實施過程。
張貝貝,河南省濟源市人,北京大學博士畢業(yè)生,現(xiàn)任首都經(jīng)濟貿(mào)易大學統(tǒng)計學院講師,主要研究時間序列分析、數(shù)據(jù)挖掘、貝葉斯統(tǒng)計,曾在核心期刊上發(fā)表過多篇論文。
目錄
1緒論
1.1課題背景及研究意義
1.2國內(nèi)外研究現(xiàn)狀
1.3本研究的主要工作
2自適應小波神經(jīng)網(wǎng)絡(AWNN)研究
2.1引言
2.2AWNN相關基礎理論研究
2.3AWNN方法的提出
2.4計算機仿真驗證分析
2.5本章小結
3AWNN在異常檢測分析系統(tǒng)智能化應用中的驗證研究
3.1引言
3.2基于AWNN的視頻圖像異常檢測分析系統(tǒng)設計
3.3道具入侵異常檢測分析實驗
3.4生活場景中的入侵異常檢測分析實驗
3.5本章小結
4基于AWNN的控制參數(shù)在線整定方法研究
4.1引言
4.2基于AWNN方法的OLTCP方法
4.3控制系統(tǒng)建模
4.4控制系統(tǒng)穩(wěn)定性分析
4.5控制系統(tǒng)誤差分析
4.6計算機仿真研究
4.7本章小結
5基于AWNN與基于推理規(guī)則的智能控制系統(tǒng)的對比研究
5.1引言
5.2控制參數(shù)在線整定系統(tǒng)
5.3F-PID和FA-PID在線整定系統(tǒng)控制器設計
5.4E-PID和EA-PID在線整定系統(tǒng)
5.5計算機仿真研究
5.6兩類智能控制方法的對比研究
5.7本章小結
參考文獻