CN106909738B - 一种模型参数辨识方法 - Google Patents
一种模型参数辨识方法 Download PDFInfo
- Publication number
- CN106909738B CN106909738B CN201710104641.5A CN201710104641A CN106909738B CN 106909738 B CN106909738 B CN 106909738B CN 201710104641 A CN201710104641 A CN 201710104641A CN 106909738 B CN106909738 B CN 106909738B
- Authority
- CN
- China
- Prior art keywords
- state
- value
- calculating
- time
- restoring force
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种模型参数辨识方法,包括:选取研究对象变化过程的中间变量和待辨识参数作为系统状态变量并对相关参数进行初始化;建立系统的状态变化模型和恢复力测量模型;根据状态变化模型和各状态变量的初始值计算下一时间点的系统状态预测值;计算每个sigma点的恢复力测量预测值和系统恢复力测量预测值;计算不敏卡尔曼滤波器增益;计算系统状态优化估计值;更新所述状态变化模型。本发明将Bouc‑Wen模型从具体的土木结构模型中抽离,以数据为驱动解决模型参数的准确辨识问题,具有通用性,可拓展应用到各类相关变量间满足或近似满足Bouc‑Wen模型的辨识问题中去。
Description
技术领域
本发明涉及信息科学与土木工程的交叉技术领域,具体涉及一种模型参数辨识方法。
背景技术
由于地震对人类生命和财产安全造成严重威胁,土木结构的抗震性能得到了越来越高的重视。结构混合试验是评估大型复杂土木结构抗震性能的有效试验技术,该试验综合运用了物理加载试验和数值模拟技术,其中数值模拟所依赖的结构数学模型的准确性直接影响着试验结果。与此同时,结构数学模型的一大重要作用是反映大量土木结构存在的迟滞非线性恢复力。
恢复力-形变Bouc-Wen模型通过具有不确定参数的非线性微分方程将结构恢复力与形变相联系,通过参数控制滞回环的形状,以模拟实际工程问题中遇到的非线性现象。Bouc-Wen模型因其光滑的滞回特性和较强的通用性在结构数学模型中得到了广泛的应用。但是,Bouc-Wen模型具有较为复杂的数学关系表达和物理意义不明确的参数,由于难以对其进行高效准确辨识,因此不利于土木结构数学模型的准确表达,进而不利于有效分析结构的地震反应及抗震性能。
另外,现有研究成果和技术方法中,多数将Bouc-Wen模型用于刻画特定结构运动方程中的恢复力,参数与具体结构特征存在极大关联性,导致所运用的参数辨识方法通用性较弱。
发明内容
本发明针对恢复力-形变(Bouc-Wen)模型,在获取不同土木结构形变位移及对应恢复力试验测量数据的基础上,运用不敏卡尔曼滤波器(Unscented Kalman Filter,UKF)对模型中的多个时变参数进行辨识。本发明考虑描述恢复力与形变非线性关系的Bouc-Wen模型:
r=αku+(1-α)kz (1)
其中r为结构对象为抵抗外力作用而产生的恢复力,u、v分别为结构对象在外力作用下产生的位移及相应的速度,z为滞变位移,k为初始结构刚度,α为第二刚度系数(即屈服后刚度与初始刚度之比),β控制滞回环形状和大小的参数,n控制滞回环光滑度。
本发明解决上述技术问题的技术方案如下:一种模型参数辨识方法,包括:
步骤1、选取研究对象变化过程的中间变量和待辨识参数作为系统状态变量并对相关参数进行初始化;
步骤2、建立系统的状态变化模型和恢复力测量模型;
步骤3、根据状态变化模型和各状态变量的初始值计算下一时间点的系统状态预测值;
步骤4、根据恢复力测量模型和每个sigma点的状态预测值计算每个sigma点的恢复力测量预测值和系统恢复力测量预测值;
步骤5、根据系统状态预测值和系统恢复力测量预测值计算不敏卡尔曼滤波器增益;
步骤6、读取试验测量数据,根据研究对象的恢复力实验测量值、系统恢复力测量预测值和不敏卡尔曼滤波器增益计算系统状态优化估计值;
步骤7、利用结构对象的状态优化估计值中的参数值更新所述状态变化模型。
本发明的有益效果是:将恢复力-形变(Bouc-Wen)模型从具体的土木结构模型中进行抽离,以数据为驱动解决模型参数的准确辨识问题,该方法具有通用性,可拓展应用到各类相关变量间满足或近似满足Bouc-Wen模型的辨识问题中去。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1具体包括:
选定系统状态变量x=[z,K,β,n,α]T,其中,z为中间变量,K、β、n和α为待辨识参数,将状态变量进行初始化,初始化方法为:
x(0|0)=x0+q×rand(0,1)
其中,x0为自定义的状态变量初始值,q为过程噪声的均值,rand(0,1)用于产生取值范围(0,1)内的随机数;
状态估计值的协方差初始值为P(0|0)=P0,用于产生初始sigma点。
进一步,所述步骤2中,系统状态变化模型为:
x(k)=f(x(k-1),vel(k-1))+w(k-1)
其中,k为步数,x(k)为tk时刻的系统状态向量,tk为采样时刻,x(k)=[z(k),K(k),β(k),n(k),α(k)]T为5维状态列向量;x(k-1)为tk-1时刻的系统状态向量;vel(k-1)为tk-1时刻到tk时刻之间结构对象的速度均值;f(·,·)为系统的状态变化方程;w(k-1)为过程噪声,其均值为0,方差为Q;
所述恢复力测量模型为:
r(k)=h[x(k),u(k)]+v(k)
其中,r(k)为通过监测得到的结构对象在实验过程中下一时间点的恢复力实验测量值,h[x(k),u(k)]为测量方程,x(k)为tk时刻的系统状态向量;u(k)为经测量得到的研究对象在tk时刻由于加载的外力而产生的位移;v(k)为实验中测量恢复力时的高斯测量白噪声,其均值为0,方差为R,且与过程噪声w(k)相互独立。
进一步,所述步骤3具体包括:
步骤3.1、根据各状态变量的初始值计算每个sigma点的状态估计值
其中,为第i个sigma点的状态估计值,i=0,1,…,2nx,nx代表状态变量的维数;表示在tk-1时刻的系统状态估计值;P(k-1|k-1)表示在tk-1时刻的状态估计值的协方差;为第i个sigma点的测量输出权值(i=0,1,…,2nx);为第i个sigma点的测量输出方差权值(i=0,1,…,2nx);表示的均方差矩阵的第i列,κ、χ、o为UKF的相关尺度参数,在具体迭代过程中保持不变;
其中,为第i个sigma点基于其在tk-1时刻的状态估计计算得出的tk时刻的状态预测值,为第i个sigma点在tk-1时刻的状态估计值;w(i)为第i个sigma点的过程噪声模拟量,来重构过程噪声对状态预测的影响;vel(k-1)为tk-1时刻到tk时刻之间结构对象的速度均值;
P(k|k-1)的计算公式为:
其中,P(k|k-1)表示tk时刻基于结构对象的状态预测值得到的状态协方差预测值;为第i个sigma点在tk时刻的状态预测值;表示tk时刻的结构对象状态预测值;为第i个sigma点的状态估计方差权值(i=0,1,…,2nx);Q(k-1)为过程噪声协方差。
进一步,所述步骤4具体包括:
其中,为第i个sigma点的恢复力测量预测值;为第i个sigma点的状态预测值;为每个sigma点的状态预测值及结构对象在tk时刻的位移值u(k)代入测量方程得到的结果;v(i)为第i个sigma点的测量噪声模拟量,用来重构测量噪声对测量预测的影响;
进一步,所述步骤5具体包括:
步骤5.1、计算目标状态测量预测值的协方差:
步骤5.2、计算目标状态预测值与目标状态测量预测值的交叉协方差:
其中,Pxr(k)为交叉协方差矩阵;为第i个sigma点的状态估计方差权值(i=0,1,…,2nx);为第i个sigma点的状态预测值;表示tk时刻的结构对象状态预测值;为第i个sigma点的测量预测值;为目标测量预测值;
步骤5.3、计算不敏卡尔曼滤波器增益:
进一步,所述步骤6具体包括:
步骤6.1、计算目标状态的修正值X(k):
步骤6.3、计算此时的状态估计值的协方差,计算公式为
进一步,所述方法还包括:
步骤8、判断恢复力测量系统中是否还有未处理的原始测量数据,若是则返回步骤3,否则结束。
附图说明
图1是本发明实施例提供的一种模型参数辨识方法的流程图;
图2是本发明实施例提供的另一种模型参数辨识方法的流程图;
图3是实施例中的参数k辨识结果;
图4是实施例中的参数α辨识结果;
图5是实施例中的参数β辨识结果;
图6是实施例中的参数n辨识结果;
图7是实施例中的中间变量z的辨识结果;
图8是实施例中的恢复力与形变的非线性关系。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示为本发明提供一种模型参数辨识方法100的流程图,该方法100包括:
101、选取研究对象变化过程的中间变量和待辨识参数作为系统状态变量并对相关参数进行初始化;
具体的,选定系统状态变量x=[z,K,β,n,α]T,其中,为区分后续步骤中的步数k,将式(1)中的k记为K,z为中间变量,K、β、n和α为待辨识参数,将状态变量进行初始化,初始化方法为:
x(0|0)=x0+q×rand(0,1) (3)
其中,x0为自定义的状态变量初始值,q为过程噪声的均值,rand(0,1)用于产生取值范围(0,1)内的随机数。
状态估计值的协方差初始值为P(0|0)=P0,用于产生初始sigma点。
102、建立系统的状态变化模型和恢复力测量模型;
具体的,系统状态变化模型为:
x(k)=f(x(k-1),vel(k-1))+w(k-1) (4)
其中,k为步数,x(k)为tk时刻的系统状态向量,tk为采样时刻,x(k)=[z(k),K(k),β(k),n(k),α(k)]T为5维状态列向量;x(k-1)为tk-1时刻的系统状态向量;vel(k-1)为tk-1时刻到tk时刻之间结构对象的速度均值;f(·,·)为系统的状态变化方程;w(k-1)为过程噪声,其均值为0,方差为Q;
所述恢复力测量模型为:
r(k)=h[x(k),u(k)]+v(k) (5)
其中,r(k)为通过监测得到的结构对象在实验过程中下一时间点的恢复力实验测量值,h[x(k),u(k)]为测量方程,x(k)为tk时刻的系统状态向量;u(k)为经测量得到的研究对象在tk时刻由于加载的外力而产生的位移;v(k)为实验中测量恢复力时的高斯测量白噪声,其均值为0,方差为R,且与过程噪声w(k)相互独立。
具体的,步骤3具体包括:
步骤3.1、根据各状态变量的初始值计算每个sigma点的状态估计值
其中,为第i个sigma点的状态估计值,i=0,1,…,2nx,nx代表状态变量的维数;表示在tk-1时刻的系统状态估计值;P(k-1|k-1)表示在tk-1时刻的状态估计值的协方差;为第i个sigma点的测量输出权值(i=0,1,…,2nx);为第i个sigma点的测量输出方差权值(i=0,1,…,2nx);表示的均方差矩阵的第i列,κ、χ、o为UKF的相关尺度参数,在具体迭代过程中保持不变。
其中,为第i个sigma点基于其在tk-1时刻的状态估计计算得出的tk时刻的状态预测值,为第i个sigma点在tk-1时刻的状态估计值;w(i)为第i个sigma点的过程噪声模拟量,来重构过程噪声对状态预测的影响;vel(k-1)为tk-1时刻到tk时刻之间结构对象的速度均值。
具体的,P(k|k-1)的计算公式为:
其中,P(k|k-1)表示tk时刻基于结构对象的状态预测值得到的状态协方差预测值;为第i个sigma点在tk时刻的状态预测值;表示tk时刻的结构对象状态预测值;为第i个sigma点的状态估计方差权值(i=0,1,…,2nx);Q(k-1)为过程噪声协方差。
其中,为第i个sigma点的恢复力测量预测值;为第i个sigma点的状态预测值;为每个sigma点的状态预测值及结构对象在tk时刻的位移值u(k)代入测量方程得到的结果;v(i)为第i个sigma点的测量噪声模拟量,用来重构测量噪声对测量预测的影响。
计算所有sigma点的测量预测值的加权值,即为系统恢复力测量预测值,计算公式如下:
具体的,为了衡量在预测目标状态的测量的过程中出现的偏差,可计算目标状态测量预测值的协方差为:
目标状态预测值与目标状态测量预测值的交叉协方差为:
其中,Pxr(k)为交叉协方差矩阵;为第i个sigma点的状态估计方差权值(i=0,1,…,2nx);为第i个sigma点的状态预测值;表示tk时刻的结构对象状态预测值;为第i个sigma点的测量预测值;为目标测量预测值。
则不敏卡尔曼滤波器增益为
具体的,计算目标状态的修正值X(k):
则系统状态的优化估计值为:
为了求取在下一时刻用于向前一步预测的sigma点,还需计算此时的状态估计值的协方差。计算公式为
107、利用结构对象的状态优化估计值中的参数值更新步骤2中的状态变化模型;
可选地,在该实施例中,如图2所示,该方法还包括:
108、判断恢复力测量系统中是否还有未处理的原始测量数据,如果有,则返回步骤103;否则结束。
具体的,若此时k的值小于原始测量数据的长度,说明恢复力测量系统中还有未处理的原始测量数据,则返回继续计算系统状态修正值和状态优化估计值,否则结束并输出参数辨识结果。
实施例1:
本发明针对恢复力-形变Bouc-Wen模型进行参数辨识,选用25456组试验测量数据对本发明方法进行仿真计算,本次试验中,时间步长为0.1s,数据格式见表1.
表1实验1测量数据
序号 | t(s) | u(mm) | F(kN) | 序号 | t(s) | u(mm) | F(kN) |
1 | 0 | 0 | 0 | 12226 | 1222.5 | -11.19 | 442.15 |
2 | 0.1 | 2.5 | 247.2 | 12227 | 1222.6 | -11.09 | 444.23 |
3 | 0.2 | 2.5 | 248.66 | 12228 | 1222.7 | -10.96 | 446.3 |
4 | 0.3 | 2.44 | 249.03 | 12229 | 1222.8 | -10.8 | 453.14 |
5 | 0.4 | 2.41 | 249.15 | 12230 | 1222.9 | -10.64 | 460.83 |
6 | 0.5 | 2.5 | 249.76 | 12231 | 1223 | -10.47 | 462.54 |
7 | 0.6 | 2.49 | 250.86 | … | … | … | … |
8 | 0.7 | 2.47 | 252.69 | 25452 | 2545.1 | 3.08 | -344.49 |
… | … | … | … | 25453 | 2545.2 | 3.11 | -347.3 |
12223 | 1222.2 | -11.55 | 431.78 | 25454 | 2545.3 | 3.1 | -352.31 |
12224 | 1222.3 | -11.37 | 436.54 | 25455 | 2545.4 | 3.14 | -353.77 |
12225 | 1222.4 | -11.25 | 440.08 | 25456 | 2545.5 | 3.11 | -352.79 |
考虑试验结构自身特点,将状态变量初始值设置为x0=[0,276.97,0.55,1,0.025]T,x=x0+q×rand(0,1),过程噪声的均值q=0.001,协方差为测量噪声的均值为1.2,协方差为1.5。估计协方差的初始值设为
按具体实施方式中的步骤依次计算系统状态预测值系统状态更新值恢复力测量预测值滤波器增益Kf(k)等,将测量数据进行完全遍历,并在迭代过程中对恢复力-形变Bouc-Wen模型的参数辨识结果进行输出,参数k、α、β、n的辨识结果分别见附图3—附图6,中间变量z的辨识结果见附图7,本实验中恢复力与形变的非线性关系见附图8。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种模型参数辨识方法,用于结构混合试验领域,其特征在于,包括以下步骤:
步骤1、选取研究对象变化过程的中间变量和待辨识参数作为系统状态变量并对相关参数进行初始化;
步骤2、建立系统的状态变化模型和恢复力测量模型;
步骤3、根据状态变化模型和各状态变量的初始值计算下一时间点的系统状态预测值;
步骤4、根据恢复力测量模型和每个sigma点的状态预测值计算每个sigma点的恢复力测量预测值和系统恢复力测量预测值;
步骤5、根据系统状态预测值和系统恢复力测量预测值计算不敏卡尔曼滤波器增益;
步骤6、读取试验测量数据,根据研究对象的恢复力实验测量值、系统恢复力测量预测值和不敏卡尔曼滤波器增益计算系统状态优化估计值;
步骤7、利用结构对象的状态优化估计值中的参数值更新所述状态变化模型;
所述步骤1具体包括:
选定系统状态变量x=[z,K,β,n,α]T,其中,z为中间变量,K、β、n和α为待辨识参数,K代表结构对象的刚度值,α为第二刚度系数,即屈服后刚度与初始刚度之比,在结构对象的位移与恢复力形成的滞回曲线中,β控制滞回曲线的形状和大小,n决定滞回曲线的光滑度,将状态变量进行初始化,初始化方法为:
x(0|0)=x0+q×rand(0,1)
其中,x0为自定义的状态变量初始值,q为过程噪声的均值,rand(0,1)用于产生取值范围(0,1)内的随机数;
状态估计值的协方差初始值为P(0|0)=P0,用于产生初始sigma点;
所述步骤2中,系统状态变化模型为:
x(k)=f(x(k-1),vel(k-1))+w(k-1)
其中,k为步数,x(k)为tk时刻的系统状态向量,tk为采样时刻,x(k)=[z(k),K(k),β(k),n(k),α(k)]T为5维状态列向量;x(k-1)为tk-1时刻的系统状态向量;vel(k-1)为tk-1时刻到tk时刻之间结构对象的速度均值;f(·,·)为系统的状态变化方程;w(k-1)为过程噪声,其均值为0,方差为Q;
所述恢复力测量模型为:
r(k)=h[x(k),u(k)]+v(k)
其中,r(k)为通过监测得到的结构对象在实验过程中下一时间点的恢复力实验测量值,h[x(k),u(k)]为测量方程,x(k)为tk时刻的系统状态向量;u(k)为经测量得到的研究对象在tk时刻由于加载的外力而产生的位移;v(k)为实验中测量恢复力时的高斯测量白噪声,其均值为0,方差为R,且与过程噪声w(k)相互独立;
所述步骤3具体包括:
其中,表示在tk-1时刻的系统状态估计值;P(k-1|k-1)表示在tk-1时刻的状态估计值的协方差;为第i个sigma点的状态估计权值,i=0,1,…,2nx;为第i个sigma点的状态估计方差权值,i=0,1,…,2nx;表示的均方差矩阵的第i列,κ、χ、ο为不敏卡尔曼滤波器的相关尺度参数,在具体迭代过程中保持不变;
其中,w(i)为第i个sigma点的过程噪声模拟量,来体现过程噪声对状态预测的影响;vel(k-1)为tk-1时刻到tk时刻之间结构对象的速度均值;
步骤3.4、根据tk时刻所有sigma点的状态估计值和系统状态预测值计算tk时刻基于结构对象的状态预测值得到的状态协方差预测值P(k|k-1);
P(k|k-1)的计算公式为:
其中,Q(k-1)为过程噪声协方差。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
步骤8、判断恢复力测量系统中是否还有未处理的原始测量数据,若是则返回步骤3,否则结束。
7.根据权利要求6所述的方法,其特征在于,所述步骤8具体包括:判断此时k的值是否小于原始测量数据的长度,若是则返回步骤3,否则结束并输出参数辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710104641.5A CN106909738B (zh) | 2017-02-24 | 2017-02-24 | 一种模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710104641.5A CN106909738B (zh) | 2017-02-24 | 2017-02-24 | 一种模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106909738A CN106909738A (zh) | 2017-06-30 |
CN106909738B true CN106909738B (zh) | 2020-07-24 |
Family
ID=59208126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710104641.5A Active CN106909738B (zh) | 2017-02-24 | 2017-02-24 | 一种模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106909738B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109068138B (zh) * | 2018-08-07 | 2021-12-24 | 北京市商汤科技开发有限公司 | 视频图像的处理方法及装置、电子设备和存储介质 |
CN109885916B (zh) * | 2019-02-02 | 2020-06-16 | 东南大学 | 一种基于lssvm的混合试验在线模型更新方法 |
CN110531708A (zh) * | 2019-07-02 | 2019-12-03 | 上海大学 | 一种三自由度压电作动平台的辨识与补偿控制方法 |
CN112907860B (zh) * | 2021-01-18 | 2022-03-18 | 南京大学 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
CN115685746B (zh) * | 2022-09-20 | 2023-09-01 | 四川大学 | 一种机床工作台的离线和在线结合的系统辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5459659A (en) * | 1992-05-29 | 1995-10-17 | Honda Giken Kogyo Kabushiki Kaisha | Attitude stabilization control system for a legged mobile robot |
CN103308896A (zh) * | 2013-05-07 | 2013-09-18 | 北京工商大学 | 一种适于非引擎机动目标的高精度跟踪方法 |
CN103529424A (zh) * | 2013-10-23 | 2014-01-22 | 北京工商大学 | 一种基于rfid及ukf实现室内目标快速跟踪的方法 |
CN103678937A (zh) * | 2013-12-29 | 2014-03-26 | 中国地震局工程力学研究所 | 基于等效单自由度体系的钢筋混凝土框架结构整体地震损伤水平评估方法 |
CN104808662A (zh) * | 2015-03-13 | 2015-07-29 | 哈尔滨工程大学 | 一种基于数据驱动的抑制船舶航向扰动的控制方法 |
US9619491B2 (en) * | 2015-04-02 | 2017-04-11 | Sas Institute Inc. | Streamlined system to restore an analytic model state for training and scoring |
-
2017
- 2017-02-24 CN CN201710104641.5A patent/CN106909738B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5459659A (en) * | 1992-05-29 | 1995-10-17 | Honda Giken Kogyo Kabushiki Kaisha | Attitude stabilization control system for a legged mobile robot |
CN103308896A (zh) * | 2013-05-07 | 2013-09-18 | 北京工商大学 | 一种适于非引擎机动目标的高精度跟踪方法 |
CN103529424A (zh) * | 2013-10-23 | 2014-01-22 | 北京工商大学 | 一种基于rfid及ukf实现室内目标快速跟踪的方法 |
CN103678937A (zh) * | 2013-12-29 | 2014-03-26 | 中国地震局工程力学研究所 | 基于等效单自由度体系的钢筋混凝土框架结构整体地震损伤水平评估方法 |
CN104808662A (zh) * | 2015-03-13 | 2015-07-29 | 哈尔滨工程大学 | 一种基于数据驱动的抑制船舶航向扰动的控制方法 |
US9619491B2 (en) * | 2015-04-02 | 2017-04-11 | Sas Institute Inc. | Streamlined system to restore an analytic model state for training and scoring |
Non-Patent Citations (1)
Title |
---|
约束UKF初始参数对Bouc-Wen模型参数识别的影响;王涛等;《黑龙江科技大学学报》;20141130;第24卷(第6期);第651-666页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106909738A (zh) | 2017-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909738B (zh) | 一种模型参数辨识方法 | |
KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN106372278A (zh) | 一种联合考虑输入参数不确定性和代理模型不确定性的灵敏度分析方法 | |
KR100816269B1 (ko) | 언센티드 필터를 적용한 강인한 동시 위치 추정 및 지도작성 방법 | |
CN108875178B (zh) | 用于减小结构模态识别不确定性的传感器布置方法 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
US9659122B2 (en) | Aerodynamic design optimization using information extracted from analysis of unstructured surface meshes | |
Olivier et al. | A marginalized unscented Kalman filter for efficient parameter estimation with applications to finite element models | |
CN116956428A (zh) | 基于物理信息神经网络的移动荷载下桥梁响应计算方法 | |
CN109583100A (zh) | 一种基于ago-rvm的陀螺仪故障预测方法 | |
CN115455353A (zh) | 一种基于非线性时域滤波的在线参数辨识方法 | |
Ni et al. | Multi-scale stochastic dynamic response analysis of offshore risers with lognormal uncertainties | |
CN117436160A (zh) | 面向大坝变形的多点监测互验拟合方法、装置及存储介质 | |
Bansal et al. | A new stochastic simulation algorithm for updating robust reliability of linear structural dynamic systems subjected to future Gaussian excitations | |
CN114580246A (zh) | 一种基于非迭代有限元模型修正的桥梁损伤识别方法 | |
CN113158297B (zh) | 一种水工弧形钢闸门参数荷载识别方法 | |
Solari | The role of analytical methods for evaluating the wind-induced response of structures | |
CN116822146B (zh) | 一种基于多层感知机的柔性防护系统智能快速计算方法 | |
KR20200000660A (ko) | 실시간 시계열 데이터를 위한 예측 모형 생성 시스템 및 방법 | |
CN110489800B (zh) | 一种基于矩阵正则化的结构动荷载稀疏识别方法 | |
Zhu et al. | A two-step approach for structural damage localization and quantification using static and dynamic response data | |
CN114692529A (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
Li et al. | Prediction error method‐based second‐order structural identification algorithm in stochastic state space formulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |