基于三阶累积量的闭环辨识

将高阶累积量对具有高斯分布特性的（白色或有色）随机噪声的强烈抑制特性,用于辨识开环条件下的干扰,一些文献中提出了基于高阶累积量的改进均方辨识准则（MSE）。针对三阶累积量的情形,探讨了该晨噪声上环辨识中的适用性。理论分析表明,扩展到闭环情形下的MSE辨识准则等价于无噪声干扰下对象处理开环情形时的均方误差辨识准则,该方法可获得处于闭环运行状态下对象的渐进无偏参数估计;当对象采用ARMA模型时,可获得相应的线性递推辨识算法,仿真实验证明了该算法的有效性。     

基于高阶累积量的地震子波提取

在地震勘探中,子波处理是提高地震资料分辨率的一个重要手段,而该技术的关键是地震子波的估计.由于影响地震波的因素太多且复杂,使得子波的提取始终是一个十分困难的问题.传统的提取子波的方法主要利用地震记录的二阶统计信息,然而由于二阶统计量并不包含相位信息,因而无法解决非最小相位的物理问题.鉴于信号高阶累积量的性质和特点,利用高阶累积量来达到提取地震子波的目的.     

肺音信号非高斯ARMA模型及双谱研究

应用高阶累积量方法，从肺音信号辨识肺胸系统的ARMA模型参数.分别在肺胸系统正常和异常的情况下，对肺泡呼吸音、哮呜音和喘钟呜音进行了分析。实验结果表明，高阶累积量能够很好地抑制高斯噪声，并能提取由于肺部机能异常引起的肺胸系统声传递函数的变化，对肺胸系统自动分类、识别和肺部疾病的快速诊断具有重要价值。     

一种基于高阶累积量的复共轭四阶系统辨识方法

研究了利用高阶累积量方法对复共轭四阶系统进行辨识的问题，分析讨论了四阶系统的特点，给出了由连续系统到离散系统的转换公式，并利用基于累积量表示的修正尢勒－沃克方程对该四阶系统进行了辨识。针对估计精度不高的问题，提出了前滤波的方法。在各种不同条件下的仿真对比实验表明，在SNR（Signal Noise Ratio)比较低和两对共轭极点距离相距较近时，基于高阶累积量的复共轭四阶系统辨识方法比普通自相关方法具有更好的辨识结果。     

非高斯有色噪声中基于四阶累积量的谐波恢复方法

讨论了线性非高斯有色噪声中的谐波恢复问题。已有的方法中假设非高斯有色噪声是非对称分布的且谐波中不存在二次相位耦合。本文利用特殊定义的四阶累积量，给出两种非高斯有色噪声中的谐波恢复方法，克服了原有方法的局限性。     

因果非最小相位ARMA模型定阶与参数估计的实现

采用ＧＭ算法与两步法相结合的方法，进行因果非最小相位ＡＲＭＡ模型的参数估计，用ＳＶＤ法定阶，并给出了建模的实现步骤．计算机模拟实验的结果表明，本算法定阶准确，参数估值精度高，而且未增加计算量．     

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.     

基于GA遗传算法的ARMA模型的辨识方法

提出一种基于浮点数编码遗传算法的系统辨识方法,融合和改进了一些遗传操作,并把该方法应用于有噪声背景下的ARMA模型参数的辨识。实验表明,该方法可有效地克服噪声干扰,可获得系统参数的无偏估计。     

一类双线性时间序列模型基于累积量的辨识

获得了一类双线性时间序列模型的二、三和四阶累积量所满足的差分方程,它们与线性平稳ＡＲＭＡ模型著名的Ｙｕｌｅ－Ｗａｌｋｅｒ方程相似,可看作是标准Ｙｕｌｅ－Ｗａｌｋｅｒ方程的推广,因此它们可用于双线性序列模型的辨识,并以一个数值仿真例子表明该方法是可行的。     

利用高阶统计量进行非最小相位FIR系统识别研究

该文将高阶统计量应用于线性，时不变非最小相位ＦＩＲ系统的识别问题。对由非高斯、非对称分布白噪声激励的非最小相位ＦＩＲ系统，当仅已知其输出信号（可能含有噪声）时，该文提出一种利用输出信号三阶，四阶累积量进行系统辨识的新算法，在计算机仿真中，将该算法与ＧＭ法和Ｔ法进行比较，结果表明，当输出信号中含有高斯有色观测噪声时，新算法的处理效果明显好于ＧＭ法和Ｔ法。     

基于时不变ARMA模型的线性多自由度结构参数识别

简单介绍了时不变ARMA模型的数学描述,并阐述了结构参数与ARMA模型参数之间的对应关系：通过实例分析说明了ARMA模型用于工程结构识别的可行性;最后用一维ARX模型和ARVX模型对同一结构进行识别,从而得出多维模型在结构识别领域有更广阔的应用前景。     

ARMA模型参数估计的GW-LS两段算法

提出了新的GW-LS两段算法,很好地改善了自回归滑动平均(ARMA)模型参数估计的性能。首先摈弃传统的拟合到AR模型的思考方法,而是基于ARMA模型的相关函数用Gevers-Wouters(GW)算法对ARMA模型拟合到高阶滑动平均(MA)模型;然后在拟合的MA模型参数基础上,用最小二乘(LS)算法求解一个不相容的线性方程组,从而估计出ARMA模型参数。最终的仿真实例说明了本算法较高精度、较快速度的收敛特性。     

一种基于向量的鲁棒ARMA系统辨识器

提出一种新的基于向量方法的自回归和运动平均(ARMA)模型系统辨识器,并给出了其参数的统计分析模型.应用结果表明,向量ARMA算法和最小二乘法LS算法相比,在一定条件下,其预测误差精度提高了约1.2 dB;且该系统模型不受分离向量参数的影响.使用非线性函数核,系统将会成为一个鲁棒的非线性辨识过程.     

基于Nonnegative Garrote的ARX和ARMA模型定阶方法

针对传统ARX和ARMA模型定阶方法计算量大和稳定性不强的缺点,提出采用非负绞杀法对ARX和ARMA模型进行定阶。通过分析ARX和ARMA模型的特点,对常规非负绞杀方法进行了改进,使其更适用于动态系统辨识问题,进而给出了相应的求解算法。仿真实验的结果表明了该方法的有效性,且在稳定性上优于传统的信息量准则法。     

基于ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

基于三阶累积量一维切片的微地震信号时延估计

由于微地震有效信号易受环境噪声的干扰,严重影响时延估计值获取的准确性.基于此,提出了基于三阶累积量一维切片的方法进行微地震信号时延估计.首先计算信号的三阶自累积量和互累积量,为减少运算量满足野外实时要求取其一维切片,最终通过准则函数求取时延值.相对于传统的互相关方法,该方法对相关性未知的高斯噪声具有不敏感的特点,对相关高斯噪声有更强的抑制能力.仿真结果表明,在添加信噪比为-5~15dB的随机高斯噪声和相关高斯噪声时,其时延检测概率和均方根误差优于互相关方法.在实际资料应用中,对实际微地震噪声进行了概率分布统计分析,并且基于井地联合监测方式,选取井中信号作为参考道对地面资料进行时延值的求取.仿真和实际资料处理验证了该方法的有效性和实用性.     

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.     

用模型扩展法辨识具有非平稳扰动的系统

在辨识实际系统时,非平稳噪声扰动是较多见的。目前用得较多的预滤波处理法由于受到一些先验知识的限制,常常得不到较好的辨识结果。本文通过对一类非平稳随机过程的描述,提出一种扩展辨识模型的修正辨识算法,可在不作滤波预处理的情况下,得到非平稳噪声扰动下系统参数的无偏估计。仿真试验证明了修正算法是简单可行的,且仍可在平稳随机噪声条件下使用。