广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。     

基于最小二乘改进算法的时变系统参数辨识

在系统辨识领域,常规最小二乘法是一种最基本的辨识方法之一.然而,随着观测数据的不断增加,会出现“数据饱和”的现象,造成新观测数据对估计值起不到修正的作用.由于新观测值对未知参数估计的影响要比旧观测值大,采用了渐消记忆和限定记忆最小二乘改进算法,来实现时变过程的参数辨识,并进行了仿真实验.仿真结果表明,它们能够克服“数据饱和”现象,从而改善参数辨识结果     

一种涵道无人直升机模型参数辨识试验策略

针对样例涵道无人直升机,考虑机体振动等环境因素对输出数据的污染,提出一种样例无人直升机悬停模态下模型参数辨识方法．针对带角速率反馈的广义直升机参数辨识模型．利用直升机角速率、线加速度和操纵量依次独立辨识纵向通道模型参数Iy,Ib和Cr．首先根据传感器输出噪声方差先验信息筛选观测数据,有效剔除由此产生的部分野值样本．然后进一步采用低通滤波器对观测数据进行滤波．通过最小二乘法进行二次辨识．试验结果表明．该方法可显著提高模型参数辨识精度并降低参数估计的标准差．     

基于最小二乘法的飞行员模型参数辨识

针对飞行员与飞机相匹配的特点,采用最小二乘法对飞行员模型进行参数辨识.根据Hosman感知模型的特点,确立待辨识参数,为提高辨识精度,重点分析了辨识数据野值的剔除和补正.在俯仰工况下,利用最小二乘递推算法辨识参数,并在研究用Boeing 737-800飞行模拟机上对该方法进行了试验验证.结果表明,飞行员模型的仿真输出曲线与飞行测试数据之间的升降舵角度误差小于0.3°,俯仰角误差小于0.5°,说明通过该方法获得的模型参数能够反映飞行员实际的操作行为.     

增广最小二乘限定记忆参数估计算法与仿真

最小二乘法可用于动态系统、静态系统、线性系统和非线性系统的参数估计,可用于离线估计,也可用于在线估计;文章在增广最小二乘递推算法的基础上引入限定记忆方式,获得了增广最小二乘限定记忆参数估计递推算法(RFMELS),解决了增广最小二乘递推算法的数据饱和问题,仿真结果表明了RFMELS算法的有效性.     

TRP激光陀螺温度控制系统的参数辨识

针对全反射棱镜式激光陀螺腔长控制系统的特殊性及其模型参数辨识的必要性，给出TRP激光陀螺温度控制系统的数学模型，并基于最小二乘法从理论上分析推导出3种新型参数辨识法：直接辨识算法、辅助变量法和递推算法。指出3种参数辨识法各自的优缺点及适用场合，并用具体实例证明了该辨识算法的正确性和实用性。     

基于Fibonacci数列的变步长相关分析辨识算法

相关分析辨识算法在工程上是一种常用的参数辨识算法,文章在介绍该算法基本原理的基础上,将Fibonacci数列引入该算法,并在算法中采用基于修正的Fibonacci数列的变步长方法寻优模型参数。仿真结果表明,寻优的收敛速度明显加快。     

动态调节模型的最小二乘迭代辨识方法

为了改进参数估计精度,利用递阶辨识的交互估计理论,提出了辨识动态调节模型的最小二乘迭代辨识方法。其基本思想是:在每步迭代计算中,将信息向量中或信息矩阵中不可测噪声项用其估计值代替,而噪声估计值又是用前一次迭代参数估计进行计算的,二者执行了一个递阶计算过程。与流行的递推广义最小二乘算法相比,提出的迭代算法在每一步计算中,同时利用了系统所有量测数据信息,因而具有更高的参数估计精度和更快的收敛速度。进行了仿真计算。     

多输入多输出随机线性离散系统的在线测辨

本文讨论多输入多输出(MIMO)随机线性离散系统的在线测辨问题。根据Luenberger标准型的稳态Kalman滤波表示提出了一套在线测辨方法,即用残差法的结构测辨和递推增广工具变量法(REIV)的参数估计。本文给出了残差平方和的递推算式,并证明了如果采用本文所提出的工具变量,那末REIV算法是渐近无偏的。最后,我们还给出了计算机模拟算例,说明本文所提出的在线测辨算法是行之有效的。     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

基于自回归时序盲辩识的机械故障诊断

提出了一种自回归(AR)模型的盲辨识的算法，该算法与传统AR模型的辨识算法的区别在于它可同时确定AR模型的阶次和参数，而不需事先确定AR模型的阶次或假定AR模型的阶次已知，其特点是计算量小，具有很好的收敛性，并在此基础上将AR模型的盲辨识方法应用到机械故障诊断中．     

多新息随机梯度辨识方法的收敛性研究

从理论上给出了多新息辨识方法的推导过程,提出了多新息随机梯度辨识方法,并运用随机过程理论分析了多新息随机梯度辨识方法的均方收敛性,给出参数估计误差上界的计算公式。分析表明数据的平稳性可以提高参数估计精度。最后给出了多新息辨识方法的各种典型变形。     

非线性系统辨识的递推-迭代方法

所提出的辨识新方法,以递推最小二乘(RLS)参数估计与非线性规划(BFGS)为主体。其测量数据的部分新息由RLS利用,而另一部分新息则通过BFGS加以采用。通常RLS只能递推地得到“粗略的”参数估计值,而BFGS则迭代地精确化参数的估计值。该辨识算法用于线性系统时,可以提高参数估计值的精度,改善收敛性。另外,该算法中的非线性迭代最优化过程可以克服非线性效应,参数估计值的精度和收敛性可以得到改进,这已由数字仿真验证。     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

线性系统实时辨识在微型计算机上的实现

实现最优控制必须研究控制对象的数学模型.对于定常系统,可以用离线系统辨识方法.如果对象数学模型为时变,就需要实时系统辨识.本文假定对象数学模型的微分方程形式已知,需要通过系统辨识确定其方程的系数,并能追踪参数的变化.这类问题称为灰箱问题.实际遇到的大多数工程系统及工业过程都属于此类问题.系统辨识的理论已相当成熟.本文着重讨论如何在微型计算机有限的资源条件下实现.选择的辨识对象为本校研制的碳纤维热分析仪试样加热电炉及其功率放大器(作为一个系统来进行辨识). 问题之关键在于系统辨识算法的选择.算法决定了系统辨识实现的开销以及辨识的可靠性.经过仿真与系统辨识实验比较,并验证了系统辨识的算法以及起步方式、参数选择、激励信号之产生等实际问题.结论为:对于线性系统实时辨识应用递归算法的最小二乘法比较简易可靠.可以在微型机或单板机上实现.