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.     

AR模型参数的抗差估计研究

实时校正一般以实测洪水流量为校正依据.研究实测洪水流量过程出现异常值时,采用抗差递推最小二乘法代替传统递推最小二乘法估计AR模型参数,能获得更稳健的参数结果.将闽江七里街流域的洪水资料人工生成异常值,对采用抗差递推最小二乘法和传统递推最小二乘法所得的校正结果进行比较,结果表明抗差递推最小二乘法具有更强的容差能力,是一种稳健的参数估计方法.     

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.     

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.     

简单线性回归模型的分离参数估计方法

最小二乘法的参数估计方法虽然体现了拟合结果的整体优化特征，却没有体现出各参数估计量的自身统计特征，对此本文给出一种新的参数估计方法，同最小二乘法相比，该方法得到的参数估计值受统计数据的影响最小，文中还讨论了参数估计值自身具有的线性和无偏性。     

基于MATLAB的最小二乘法系统辨识与仿真

将MATLAB应用到系统辨识中,在分析最小二乘法的基本原理和推导过程的基础上给出了系统辩识中算法参数估计的递推公式,并进行了实例仿真.     

基于Householder变换的复参数递推最小二乘估计方法

提出了一种基于Householder变换的复参数递推最小二乘参数估计方法.利用基本复Householder变换方法,研究了基于复Householder变换的递推复矩阵上三角化变换算法,针对上三角矩阵增加一行新数据后的复矩阵,提出了按列递推复矩阵上三角化变换算法,并给出了相应的算法证明.算例仿真结果验证了基于复Householder变换的复数最小二乘估计算法的有效性和可靠性.     

基于Householder变换的复参数递推最小二乘估计方法

提出了一种基于Householder变换的复参数递推最小二乘参数估计方法.利用基本复Householder变换方法,研究了基于复Householder变换的递推复矩阵上三角化变换算法,针对上三角矩阵增加一行新数据后的复矩阵,提出了按列递推复矩阵上三角化变换算法,并给出了相应的算法证明.算例仿真结果验证了基于复Householder变换的复数最小二乘估计算法的有效性和可靠性.     

新安江模型与衰减记忆最小二乘法耦合洪水模型的应用

利用新安江模型进行流域产流计算,采用扩散波方程推得的汇流状态方程描述流域汇流过程,由衰减记忆递推最小二乘法实现参数估计实时化,从而使新安江模型与衰减记忆递推最小二乘法耦合,实现洪水实时预报。利用耦合模型对矶头水库76场入库洪水进行模拟,模拟结果表明,耦合模型适合中小水库入库洪水实时预报,预报精度比独立使用新安江模型得到了大大的提高。     

采用数据变尺度不改变最小二乘法的统计性质

采用数据变尺度法可保证递推最小二乘法的收敛性和数值稳定性,证明了数据变尺度不改变最小二乘参数估计值和它的统计性质。     

带有色观测噪声的ARMA模型参数估计的三段算法

提出了带有色观测噪声的自回归滑动平均（ARMA）模型参数估计的三段算法。第一段用递推增广最小二乘法（RELS）估计自回归（AR）参数;第二段用Gevers-Wouters算法估计伴随滑动平均（MA）模型参数;第三段用求不相容线性方程组的最小二乘解得到原始MA参数估值。一个仿真例子说明了其有效性。     

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。     

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。     

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。     

非线性随机系统具有遗忘因子的递推最小二乘法

针对NARMAX模型,结合线性滤波、谱分解定理及成型滤波器原理构成非线性随机系统模型,并将参数模型转化为脉冲响应非参数模型.依据Hankel矩阵法,在参数估计准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广最小二乘递推算法,提出一种具有遗忘因子的非线性参数估计的递推最小二乘法.该算法收敛速度快,且能克服病态,适用于时变参数情形.将其应用于一种非线性自适应预测控制算法仿真中,验证了算法的有效性.     

多变量ARX-like系统的递阶最小二乘估计

利用Kronecker积,推导出多变量ARX-like随机系统的辨识模型,使用递阶辨识原理研制了一个递阶最小二乘参数估计算法.提出的递阶最小二乘算法比现存递推最小二乘算法计算量小.给出了为仿真例子.     

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.     

一种系统在线辨识算法的改进研究

研究了线性单输入单输出系统在线辨识的递推算法．为确保复杂的智能控制有更充裕的时间，在保证辨识精度的情况下，提出了减少参数辨识运算量的变步长递推算法．传统的递推最小二乘法采用的方式是每获得一组新观测数据就修正一次参数估计值，而变步长递推算法增加了改变每次修正参数估计值前获得新观测数据的组数，合并了一些重复的运算．对该算法进行了推导，并给出了参数误差的差分方程，在理论上证明了算法的收敛性．仿真和实验表明，该算法的运算量有明显减少，而收敛速度和辨识精度几乎没降低．