一种基于过采样技术的非最小相位系统盲辨识方法

提出了一种在时域中盲辨识非最小相位系统传递函数的方法,该方法通过对系统输出过采样来获得系统结构参数的信息.对于单输入单输出的线性离散系统,经过输出过采样后可以等价为单个输入、多个输出的传递函数模型,这多个输出函数具有相同的分母多项式和不同的分子多项式.采用子空间分解法可以确定分子多项式的参数,通过对系统输出信号自相关函数的处理可以得到分母多项式,最终可以得到原系统的结构参数.与传统高阶矩方法相比,该方法对噪声的敏感度更低,辨识的精度和速度也有很大提高.仿真结果表明,当信噪比大于15dB时,该方法可以有效地辨识出系统参数.与高阶矩方法相比,辨识门限信噪比降低了10dB,估计精度提高了20%,辨识速度加快了3倍.     

过采样方法在系统辨识中的应用

为了对带噪输出的控制系统进行盲辨识，提出了一种利用过采样法辨识控制系统函数的方法，通过过采样控制系统的输出信号，将原单输入单输出系统转换成为一个新的与原系统具有相同输出极点的单输入多输出系统，再估计出这个新的单输入多输出系统的传递函数，最后得到原单输入单输出系统的模型参数，仿真结果表明，与常用的高阶矩法相比，该方法具有不受系统结构影响，不需要计算样本数据的高阶统计矩，使用的样本数据量少，便于计算机实现的优点。     

基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。     

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.     

Hammerstein模型的稳态辨识方法——MIMO情形

本文针对用Hammerstein模型描述的一类MIMO非线性系统 ,提出了一种稳态参数估计的辨识方法。此方法具有在稳态状态下取值 ,参数辨识简单、精确等优点。数字仿真结果说明了该方法的有效性和实用性。     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

多变量Hammerstein系统的稳态模型辨识

本文针对多变量Ｈａｍｍｅｒｓｔｅｉｎ系统，提出了利用优化过程中设定点变化的阶跃信号，辨识系统稳态模型的方法，并且获得了稳态模型的强一致性估计。仿真结果也表明了该方法的有效性和实用性。     

一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

基于信道模型过估计的最小噪声子空间盲辨识

研究基于信道模型过估计的盲系统辨识问题.采用最小噪声子空间方法,提出了一种通信信道盲辨识算法.与现有算法比较,提出的算法减少了辨识过程的计算量,提高了辨识精度,并对信道阶数过估计具有鲁棒性.仿真结果表明,在信道阶数过估计时,提出的算法仍能给出较好的参数辨识效果.     

一种基于Hammerstein模型的数字预失真算法

记忆非线性放大器的预失真问题一直是预失真技术的难点.本文首先介绍了数字预失真器的几种模型结构和识别算法,它们虽然能够很好地实现功率放大器的线性化,却存在运算量较大的问题.结合LS算法和Hammerstein模型的优点,提出了一种基于Hammerstein模型的数字预失真算法,用几次简单的迭代运算代替一次复杂的直接运算,从而以较少的运算量,获得较好的线性化性能.通过计算机软件仿真验证了这种算法的有效性,它能以较少的参数,快捷、简便地实现记忆非线性功率放大器的预失真,显著提高了放大器的线性化性能.     

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.     

一种新的系统盲反向辨识方法

基于系统输出信号过采样原理的系统反向辨识是一种新的盲辨识方法,这种方法不仅适用于最小相位系统,而且也适用于非最小相位系统。通过输出信号的过采样,可以获取未知输入信号和系统更多的信息。文中首先提出了这种解决盲辨识问题的算法,然后利用辨识出的系统模型恢复了源输入信号。这种方法在控制工程领域具有较高的实用价值。     

基于线性规划单纯型法的系统辨识方法

传统的最小二乘辨识算法要求误差为低噪声水平,并且算法计算量大,针对这一问题提出了线性规划单纯型辨识算法.将参数辨识问题转化成线性规划问题;并给出了基于线性规划单纯型法的参数辨识算法.最后给出了仿真结果,验证了算法的有效性.     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.     

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状态估计提供了有力的基础。     

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．