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。     

滑动平均噪声干扰双输入多率系统最小二乘迭代辨识

研究了滑动平均噪声干扰的双输入多率系统最小二乘迭代辨识算法.首先推导出2个输入通道采样周期不相等的多率系统的离散时间状态空间模型,得出对应的传递函数模型.针对辨识模型信息向量中存在不可测噪声项的困难,利用最小二乘迭代原理,将未知噪声变量用其迭代估计值来代替,提出了这类双输入多率采样数据系统的最小二乘迭代辨识算法.最后通过仿真例子比较了最小二乘迭代辨识算法与递推增广最小二乘算法的辨识效果,说明了所提出算法的参数估计精度较高.     

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.     

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。     

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。     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

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。     

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．     

SMU辅助建模系统的算法设计

在解决鲁棒辨识问题的新方法──采用集合元素不确定（ＳＭＵ）方式处理不确定因素的思想方法指导下，讨论了ＳＭＵ参数估计理论，采用中心及投影估计且使用不同的误差范数，设计了四种参数估计算法，并在计算机上实现了一个辅助建模系统，最后分别用这四种算法对一个案例进行辨识．     

Hammerstein OEMA系统的辅助模型最小二乘辨识

针对Hammerstein 输出误差自回归(OEMA)模型, 将关键变量分离原理与辅助模型辨识思想相结合,提出了基于关键变量分离的辅助模型递推增广最小二乘辨识方法.该方法能获得系统参数估计和噪声参数估计,且能实现在线辨识.     

NARMAX模型辨识的直交化最小二乘新算法

基于实际中常用的ＣＧＳ（ＣｌａｓｓｉｃａｌＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＭＧＳ（ＭｏｄｉｆｉｅｄＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＨＴ（ＨｏｕｓｅｈｏｌｄｅｒＴｒａｎｓｆｏｒｍａｔｉｏｎ）及Ｇｉｖｅｎｓ算法，给出了１类改进的直交化最小二乘新算法，分别称之为改进的ＣＧＳ、ＭＧＳ、ＭＨＴ及ＭＧＶ算法，改善了原算法的数值稳定性．将改进算法用于非线性ＮＡＲＭＡＸ模型辨识，构造出了１种新的模型结构与参数辨识的一体化算法．新算法基于逐步回归进行模型选项并消去模型中的冗余项，保证了最终模型的结构优化，并可给出比Ｂｉｌｉｎｇｓ等算法精度更高的参数估计．仿真结果证明了文章中算法的优越性     

Free Search Algorithm Based Estimation in WSN Location

This paper proposes a novel intelligent estimation algorithm in Wireless Sensor Network nodes location based on Free Search, which converts parameter estimation to on-line optimization of nonlinear function and estimates the coordinates of senor nodes using the Free Search optimization. Compared to the least-squares estimation algorithms, the localization accuracy has been increased significantly, which has been verified by the simulation results.     

随机波动模型估计及在金融风险防范中的应用

对随机波动（SV）模型提出了一种基于禁忌遗传算法的伪极大似然（TSGA－QML）估计。Monte Carlo试验表明这种方法在参数估计与波动估计上都有较好效果。利用这一方法对上海股市收益进行了波动分析，发现上海股市的收益具有很高的波动持续性。     

遗传算法在系统辨识中的应用

基于遗传算法,采用改进的遗传算子,提出了一种辨识系统参数的方法．该方法能有效地克服有色噪声的干扰,获得系统参数的无偏估计．仿真结果说明了该方法的有效性．