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。     

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。     

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.     

反正切函数联合参数的凸组合最小均方滤波算法

为解决传统最小均方自适应滤波算法联合参数λ(n)运算量大、收敛速度慢的问题,提出一种基于修正的反正切函数的凸组合最小均方滤波算法,并应用Matlab软件对不同信噪比算法进行仿真比较。结果表明:该算法在保证运算量的前提下,能够加快算法的收敛速度及减小其稳态误差。反正切函数联合参数的凸组合最小均方滤波算法具有更好的滤波性能。     

采用瞬时转移结构的凸组合最小均方算法

为了避免单个滤波器在收敛速率与稳态误差上的相互制约,从而导致系统性能下降的问题,文章采用凸组合最小均方算法,将快速滤波器与慢速滤波器并联使用来解决。为进一步改善性能,提出了一种采用瞬时转移结构的低复杂度凸组合最小均方算法。在该算法中,分别使用修正反正切函数和sign函数对参数λ(n)和a n()的更新迭代公式做了简化和改进,同时为加快算法的收敛速率引入一个长度为N0的窗实现瞬时权值转移。仿真结果表明:文中改进算法在噪声、相关信号输入以及非平稳环境下能够保持较好的均方性能和跟踪性能,并且具备更快的收敛速率。     

基于分数阶位置状态的量子粒子群算法

由量子力学的概念和粒子群优化算法的结合,量子行为粒子优化算法作为粒子群算法的一个变种,具有更好的全局搜索能力.为了提高量子粒子算法的全局搜索能力,结合分数阶微积分的概念,本文提出了一种新的算法.该算法将分数阶微积分中常用的GL定义引入了量子粒子算法的更新迭代公式中,利用分数阶微积分的长时记忆特性,通过记忆量子粒子在更新迭代过程中的历史位置和历史信息,增强算法的收敛速度和收敛精度.为了全面评估算法的基本性能,本文进行了一些关于基本测试函数的功能测试.通过对于不同阶次的分数阶量子粒子算法的对比实验和与其他粒子群改进算法的对比实验,实验结果表明,该算法具有更高的收敛精度.     

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     

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。     

基于梯度向量的变步长LMS算法

传统的最小均方误差(Least Mean Square)算法难以同时获得较快的收敛速度和较小的稳态误差。本文在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,通过建立步长参数与梯度向量之间的一种新的非线性函数关系,提出一种改进的变步长LMS算法。分析和仿真表明,改进后的算法收敛速度更快,均方误差更小,同时也具有良好的抗噪性能。     

自适应矩估计最大相关熵算法的混沌序列预测

为了提高非高斯噪声环境下混沌时间序列的预测精度,提出了一种基于自适应矩估计的最大相关熵算法(AdamMCC).在AdamMCC中,采用最大相关熵准则作为代价函数有效地抑制了异常噪声值对预测性能的影响,利用代价函数梯度的一阶矩和二阶矩估计自适应调整算法的权重参数,在不同阶段为算法提供了更好的最优权重搜索方向,从而提高了AdamMCC的预测性能.采用Mackey-Glass和Lorenz两类混沌时间序列进行仿真实验,验证文中提出的AdamMCC的收敛性能和稳态性能.实验结果表明,在非高斯环境下的预测过程中,相比于最小均方算法、最大相关熵算法和分数阶最大相关熵算法,文中提出的基于自适应矩估计的最大相关熵算法在保持鲁棒性的同时,还能以合理的计算复杂度获得更高的预测精度.     

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。     

基于分数信号处理的变步长自适应振动主动控制方法研究

针对自适应振动主动控制系统中次级通道的辨识精度严重影响振动控制效果的问题,分析了常规的次级通道在线辨识算法存在的问题,提出一种基于分数信号处理的双步长两阶段变步长策略的次级通道在线辨识方法。该方法使用基于分数信号处理的自适应算法代替传统的最小均方(least mean square, LMS)算法进行次级通道的在线辨识,同时给出了一种双步长的两阶段变步长策略,在次级通道辨识环节收敛前后应用不同的变步长策略以提高辨识精度和降低辨识环节的波动。仿真结果表明,与现有方法比较,该方法的次级通道辨识收敛速度更快,系统收敛后的波动更小,次级通道的辨识精度和系统的稳定性都有了明显的提升。经验证,该方法有效解决了常规的次级通道在线辨识算法收敛速度慢、辨识精度低和辨识环节波动大等问题,具有更好的振动控制效果。     

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.     

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.     

CARMA模型的多新息增广随机梯度辨识算法

将多新息辨识理论用于研究CARMA模型参数辨识问题,通过把标量新息扩展为向量新患,即多新息,得出相应的多新息增广随机梯度辨识算法.仿真结果验证了提出算法的有效性.     

基于Volterra级数模型的非线性系统的鲁棒自适应辨识

研究了基于Volterra模型的非线性系统的鲁棒自适应辨识问题。针对Volterra系统辨识时输入输出观测数据均受噪声污染的情况,建立了基于Volterra模型的鲁棒Volterra总体均方最小自适应辨识算法。算法应用梯度下降原理,通过对梯度的修正,有效地提高了算法的鲁棒性。仿真结果表明,在低信噪比,或使用较大学习因子的情况下,该算法的收敛性能明显优于其他算法,便于实际应用。