时变系统的FIR模型辩识及设计变量

文章考虑时变系统辨识中辨识设计变量的最优化问题，时变系统的参数可用平稳的AR（1）随机过程描述，时变系的FIR模型递函数估计的均方误差，记作MSE，它可以用一个较简单表达式来逼近它，作者在MSE极小的意义下，给出辨识设计变量的解析表达式。     

时变系统的Laguerre模型辨识及设计变量（2） ——Kalman滤波法

文章考虑动态线性系统的时变参数是平稳的AR（1）变量，系统为时变的Laguerre模型时的传递函数估计的均方误差（MSE）。在缓慢时变和高阶模型下，利用Kalman滤波算法，得到MSE的近似表达式。最后得到了Kalman滤波算法的设计变量的最优解。     

时变系统的Laguerre模型辨识及设计变量(1)

文章考虑动态线性系统的时变参数是平稳的AR（1）变量，系统为时变的Laguerre模型时的传递函数估计的均方误差（MSE）。在缓慢时变和高阶模型下，利用随机梯度算法，得到MSE的近似表达式。该文利用Laguerre模型取代FIR模型，减小了MSE，降低了模型的阶次，最后讨论了随机梯度算法的设计变量的优化问题。     

时变多变量系统阶次和参数的同时辨识

通过引进时变遗忘因子，该文提出了一种时变多变量系统的结构和参数的同时辨识算法，该算法结构简单，跟踪参数变化速度快，同时又兼备ＵＤ分解的良好计算品质。     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

时变离散系统的一种自适应算法及鲁棒性分析

针对时变离散系统,设计了一间接极点配置鲁棒自适应控制算法．用投影修正的最小二乘法辨识时变系统参数,并用极点配置法设计控制律．辨识机制的投影修正保证了闭环自适应控制系统的鲁棒稳定性．文中着重分析了自适应控制律的特性及闭环系统鲁棒稳定性,得到的结论是：如果未建模动态和平均时变充分小,则闭环系统有界输入、有界输出（ＢＩＢＯ）鲁棒稳定．文中的结果及其证明改进并发展了现有时变自适应控制理论．仿真例子验证了鲁棒性分析的正确性     

多变量时变系统的自适应控制

将作者提出的单变量时变系统的算法推广到多变量情形,得到了多变量时变参数系统的自适应控制,同时讨论了算法的收敛性.     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

基于数据的MATLAB系统辨识工具箱模型识别

系统辨识是研究建立系统数学模型的理论与方法.从实测的系统输入输出数据或其他数据,用数值的手段重构系统数学模型的办法称为系统辨识.在实际应用中,可以采用许多方法从给定的系统响应数据,如时域响应中的输入和输出数据或频域响应的频率、幅值与相位数据等拟合出系统的传递函数模型,但由于这样的拟合有时解不唯一或效果较差,故一般不对连续系统数学模型进行直接辨识,而更多地对离散系统模型进行辨识.MATLAB的系统辨识工具箱中提出了各种各样的系统辨识函数.在介绍了系统辨识的基本理论和方法的基础上,利用Matlab仿真工具箱对给定实例进行仿真分析.通过仿真结果比较可见,两种方法都能够与实验对象有较好的拟合,而近似最优4阶辅助变量法所得模型拟合精度高于最小二乘法所得模型.     

非线性有限冲激响应Volterra信道的盲辨识

提出了单输入多输出有限冲激响应（ＳＩＭＯ ＦＩＲ）Ｖolterra系统的盲辨识及盲均衡的子空间方法,首先描述了ＳＩＭＯ非线性Ｖolterra信道模型,并将此模型转化为多输入多输出（ＭＩＭＯ）信道 模型;接着讨论了ＦＩＲＶolterra系统盲可辨识条件,并给出了ＳＩＭＯＶolterra系统的盲辨子空间算法;进一步讨论了ＶolterraＦＩＲ非线性信道的确定性盲均衡问题;最后用仿真实例验证了此算法的有效性,所提方法与确定性的线性多信道方法相比,它的最大优点就在于所需约束条件少,此方仅需要输入信号的相关矩在奇异,且在低信噪比情况下（ＳＮＲ为５dB)也有效。     

双边永磁同步直线电机随机模型系统辨识

为解决双边永磁同步直线电机离散传递函数模型参数动态变化、传统方法辨识精度低的问题,提出一种基于随机模型的系统辨识方法,分析运动过程中的系统特性,结合具有随机扰动项的Box-Jenkins模型,辨识动态系统传递函数模型参数。通过注入不同频率逆M序列电流信号,充分激发系统响应,比较分析不同实验条件下的系统辨识结果。选择预报误差法定义平方差代价函数,运用Levenberg Marquardt算法不断迭代优化以获得传递函数模型最优参数。通过对不同采样频率、不同注入电流幅值和不同电机运动速度条件下的系统辨识对比分析,获得最佳辨识模型。结果表明,当采样频率为1000 Hz,注入电流幅值为2.0 A和电机运动速度为50 mm?s-1时,获得最优辨识仿真输出匹配度为94.81%,平方差为7.84×10-4。     

基于Laguerre网络的滤波器设计

首先给出Laguerre网络，然后详述了Laguerre滤波器结构和极点估计方法以及滤波器系数的计算方法，接着设计了最优Laguerre滤波器，在Laguerre滤波器与理想滤波器的频率响应存在最小均方误差的前提下，估算滤波器参数和系数以获得最优滤波器；对传统FIR滤渡器和Laguerre滤波器的低通、高通、带通和带阻的频率响应作了详细的比较，得出运用Laguerre网络实现的滤波器有较小的滤波器长度、合适的线性相位和较少的通阻带波纹。     

基于ADACD的新型辨识器及其模型参考自适应控制

将控制依赖自适应评估设计引入到非线性系统的辨识中,以寻求最佳模型.定义一个总评估函数表示系统在所历经时间内的辨识总误差,然后构造一个评估网络来近似逼近这个总评估函数.再构造一个辨识器网络,其输出直接作为评估网络的输入,这样通过最小化评估网络的输出就可以达到寻求最佳模型的目的.辨识器的参数修正原则不再是使当前时刻的辨识误差最小化,而是使评估网络的输出最小化,即使系统在所历经时间内的近似辨识总误差最小化,这样不仅大大加快了收敛速度而且取得了更加精确的辨识效果.在获得对象模型之后,还研究了利用神经网络设计模型参考自适应控制器的方法.仿真结果表明,利用这种新型辨识器设计的模型参考自适应控制器能够保证被...     

非线性系统参数识别的频域方法

系统识别是现代控制过程的关键环节．本文提出了一种识别弱非线性振动系统参数的方法．本方法中，参数识别的数学模型是系统的一阶近似频率响应函数．首先，用多尺度法导出弱非线性强迫激励系统的频率响应函数．接着，利用非线性参数变换将此频率响应函数变换为系统参数的线性函数，在此基础上用最小二乘法识别系统的参数．最后，通过数值模拟检验了方法的精度．     

Resetting AUDI Algorithm Used in Rapid Time-varying MIMO System Identification

Augmented UD identification (AUDI) technique is derived from the traditional recursive leastsquares (RLS) algorithm and has been developed rapidly during the last decade. AUDI is a cluster of identification algorithms based on matrix factorization methods (such as QR and LDL) and thus shows its stable performance in system identification applications. An AUDI algorithm with resetting strategy (RAUDI) has much ability in rapid time-varying SISO system identification. In this paper, an endeavor to expand the RAUDI in MIMO system identification is made and a comparative experiement is done to exhibit its good ability in rapidly changing parameter estimate in MIMO system.     

振动系统时变参数识别分析

本文利用变物理参数微分方程模型,讨论了刚度与阻尼随时间变化时,物理参数与模态参数的识别问题,比较了三种在线识别技术.数字模拟结果表明,采用变物理参数微分方程模型可比采用差分方程模型极大的提高最小二乘法识别阻尼比的精度.当加入系统的噪音较大时,有些改进识别方法失效,但最小二乘法仍能给出较好的估计.