自回归模型的多新息随机梯度和多新息最小二乘辨识方法

将多新息辨识理论用于研究自回归模型的参数辨识问题,通过把标量新息扩展为向量新息(即多新患),扩展信患向量到信患矩阵和构成堆积系统输出,从而提出了自回归模型的多新息随机梯度辨识算法和多新息最小二乘辨识算法.仿真结果验证了提出算法的有效性.     

自回归模型的多新息投影辨识方法

通过扩展标量新息为向量新息(即多新息),推导出自回归模型的多新息投影辨识算法。仿真结果说明提出的多新息投影算法优于投影算法。     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

基于综合目标函数的神经网络多新息辨识算法

为提高动态神经网络学习算法的辨识精度及抗噪性能,提出一种基于综合目标函数的多新息辨识算法。该算法基于多新息理论在最小均方误差目标函数中引入一辅助项构造综合目标函数,利用该目标函数进行网络输出层权值的训练,并采用牛顿法推导出输出层权值的递推计算公式。与已有二阶学习算法相比,新算法鲁棒性强,收敛速度快,辨识精度高。仿真结果验证了算法的有效性。     

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。     

基于双曲正切函数的非线性新息辨识算法

以非线性Nomoto模型作为船舶运动数学模型,同时,通过线性回归模型,类比引入遗忘因子的随机梯度算法并结合推导出的随机梯度算法,以汽车运输船"Hual Trooper"为例进行仿真实验并对该算法进行推导和验证.结合双曲正切函数,得到非线性新息辨识理论,利用双曲正切函数处理新息.通过Matlab编程比较辨识效果,并通过计...     

随机系统多新息辨识在衰减激励下的性能

多新息辨识算法是估计系统参数的一种有效方法 ,其特点是可以克服坏数据对参数估计的影响 ,具有很强的鲁棒性。该文给出了衰减激励信号的定义 ,并在衰减激励条件下 ,利用随机过程理论 ,研究了随机系统多新息辨识算法的性能 ,给出了参数估计误差收敛时 ,衰减指数应满足的条件 ,以及算法中设计参变量的选择方法。分析表明 :若设计参变量选择为 r(t) =O(t2ε(lnt) c) ,(c>0 ) ,衰减指数满足 0≤ ε<1/ 4,则参数估计均方误差以 O 1(lnt) c 速度收敛于零     

基于多新息限定记忆的永磁同步电机参数辨识

在永磁同步电机伺服控制系统中,为了抑制由电机参数变化导致的控制精度下降,引入了电机参数辨识修正调节器参数.为了增强辨识系统的抗干扰能力,提出将多新息方法与限定记忆最小二乘法相结合,增加单步递推数据量,对电机参数进行辨识.通过采集电机运行下的电压、电流及转速信号,对电机定子电阻、交直轴电感、转子磁链参数进行同时在线辨识.通过仿真及实验验证,多新息限定记忆最小二乘法辨识收敛速度快,能有效减小辨识结果的稳态误差且鲁棒性强.     

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

滑动平均模型的最小二乘辨识方法比较研究

滑动平均模型辩识的困难是信息向量中存在不可测噪声项。借助于递阶辩识的交互估计理论，用估计残差代替信息向量中中不可测噪声项，借助于多新息辨识理论扩展新息长度和充分利用系统观测数据的思想，提出估计滑动平均模型参数的多新息递推最小二乘辨识方法和最小二乘迭代辨识方法。与常规递推增广最小二乘算法相比，提出的方法具有更快的收敛速度，能产生更高精度的参数估计。仿真例子验证了算法的性能。     

Auxiliary Model Based Multi-innovation Stochastic Gradient Identification Methods for Hammerstein Output-Error System

Special input signals identification method based on the auxiliary model based multi-innovation stochastic gradient algorithm for Hammerstein output-error system was proposed.The special input signals were used to realize the identification and separation of the Hammerstein model.As a result,the identification of the dynamic linear part can be separated from the static nonlinear elements without any redundant adjustable parameters.The auxiliary model based multi-innovation stochastic gradient algorithm was applied to identifying the serial link parameters of the Hammerstein model.The auxiliary model based multi-innovation stochastic gradient algorithm can avoid the influence of noise and improve the identification accuracy by changing the innovation length.The simulation results show the efficiency of the proposed method.     

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。     

一种多新息分数阶的辨识算法

本文针对传统分数阶最小均方算法收敛性能较差的问题,提出了一种改进型分数阶最小均方算法。首先,利用分数阶微积分和多新息理论,从新息修正的角度提出了一种基于辅助模型多新息分数阶的最小均方算法(AM-MFLMSI)。该算法在每次迭代时既使用当前数据,又使用了历史的数据,提高了收敛速度,同时还改善了参数估计精度。其次,分析了AM-MFLMSI的收敛性。然后,通过选取不同的分数阶和新息长度,比较分析了两者对算法性能的影响。最后,通过仿真实例,将AM-MFLMSI与其他分数阶算法作比较,进一步验证了所提算法的有效性。     

AN INVESTIGATION OF MODELLING ON DRAFTING PROCCES OF WOOLLEN GILL MACHINE

The combing process of gill machine is an important link in the wool spinning technology.Inorder to improve the quality of products,it is necessary to study the new autoleveling device whichuses the modern control theory and microcomputer science.We have to set up a mathematicalmodel for object:As the woolen yarns (both input and output) are complex random process,it issuitable for CARMA (controlled autoregressive-moving average) to describe the object by meansof time series analyses of models.     

SISO、CARMA模型的快速辨识方法

本文给出了一种单输入、单输出CARMA模型的结构辨识方法。该方法采用了作者提出的改进的Durbin二步算法(新息修正最小二乘算法)进行参数估计,F检验确定模型阶次。提出的方法充分运用了中间结果和统计检验手段;同时改进了文献[3]中删除零参数的方法。从而能以较少的计算量,得到全局P相容的参数估值、模型的子阶与时滞。仿真实例表明了算法的有效性。