基于过采样的Hammerstein模型最小方根辨识算法

针对Hammerstein模型提出了基于过采样原理的新的最小方根辨识算法,通过估计线性部分的中间输入,可以辨识出任意连续函数的未知非线性元件和线性部分传输函数。即使在非线性元件传递函数存在近似误差的情况下,线性部分的估计值也具有一致性。     

基于共轭梯度迭代算法受控AR模型的参数辨识

推导了单输入单输出系统的辅助模型,它有助于减少计算量和提高共轭梯度迭代算法（新算法）的收敛速度.相比于受控移动平均模型中所提出的交互式随机梯度算法,新算法用更少的迭代步骤就可求出模型的参数估计.另外,新算法能避免出现矩阵的逆矩阵形式.对新算法与双共轭梯度算法进行比较,并给出数值实例检验新算法的有效性.     

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。     

非均匀采样非线性系统的模糊控制器设计

研究了满足局部Lipschitz条件的非线性系统非均匀采样模糊状态反馈控制问题。通过定义一个和采样时刻相关的Lyapunov函数,结合凸组合技术,得到了保证系统渐近稳定的充分性判据,并给出了相应的状态反馈控制器设计方法。以线性矩阵不等式形式给出的设计条件易于检验,与现有的方法相比,设计过程简单易行。算例验证了本文所得结果的有效性。     

基于非均匀采样间隔的数据关联算法研究

针对工程中普遍存在的非均匀采样目标跟踪问题,给出了基于多扫描的后向递归概率数据关联算法实现过程,讨论了判断目标丢失的准则.对分别基于一维和多维扫描数据进行数据关联判决的不同算法的性能进行了仿真分析.仿真结果表明:在采样次数不变的条件下,和应用单扫描的PDAF算法相比,多扫描非均匀采样方法能够获得更好的航迹维持性能.当目标检测概率越大、杂波密度越大、目标机动性能越大时,非均匀采样和均匀采样方法航迹维持性能的差别越大.     

振动波在非均匀梁中传播的迭代算法

振动波在非均匀梁中传播是一个复杂而难以表述的行为,通过计算非均匀梁任两截面间振动波传播的透射系数矩阵和反射系数矩阵来反映波的传播特性,并给出计算迭代公式,在实例中给出行进行波所携功率流的计算表达式,并计算功率流在非均匀梁中的透射系数和反射系数。结果表明：对功率流的影响主要是梁的非均匀程度,而梁的布置方向对其几乎无影响;迭代计算法具有很好的收敛性和准确性。     

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。     

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。     

BICM-ID系统中的均匀重加权迭代译码算法

针对LDPC编码的BICM-ID系统,建立了正规因子图模型。从消息更新规则的角度,运用变分方法统一解释了均匀重加权置信传播算法和标准置信传播算法。将均匀重加权方法提高性能的特点与置信传播的特性相结合,推导出均匀重加权迭代译码算法,讨论了边出现概率对算法性能的影响。分别在高斯白噪声信道和不同调制方式下进行仿真实验。结果表明,提出的均匀重加权迭代译码算法性能均优于标准置信传播和差分映射置信传播等迭代译码算法。     

输入非线性系统的多步长搜索梯度迭代算法

采用多步长搜索梯度迭代算法对输入非线性系统参数进行辨识.相对于传统梯度迭代算法,该方法无须计算矩阵特征值以确定步长取值范围,而是借助粒子群算法思想,在每次迭代过程中随机产生多个步长,通过比较每个步长对应的代价函数大小,找出所有步长中的最优值.运用该方法对具有丢失数据的非线性系统进行辨识,仿真结果表明,与传统梯度迭代算法相比,该算法的辨识精度较高、收敛速度较快.     

多变量系统非均匀采样时的建模方法

本文讨论了多变量连续系统参数估计的方法及系统的可测辨性。为了适应实际系统建模时可能发生的数据稀疏、样本小及非均匀采样等情况,文中推导了计算量小且有三次代数精度的数值积分方法——加权重迭法。本文还对参数估计的递推公式进行了简单的推广。本文的讨论对均匀采样系统同样适用。     

基于梯度的扰动时变系统辨识算法及其收敛性

根据工程背景,提炼出了一类时变系统(亦称为广义时变系统或扰动时变系统)的数学描述模型．扰动时变系统是指参数随系统可测扰动量变化的一类时变系统．利用梯度搜索原理,提出了这类时变系统的投影算法、随机梯度和遗忘梯度辨识方法,并应用鞅超收敛定理分析了算法的收敛性．由于提出的随机梯度算法同时还利用了系统扰动量所含的信息,因而可以给出时变参数的一致估计．数字仿真验证了提出方法的有效性．     

双率Hammerstein系统的极大似然递推辨识

针对一类双率Hammerstien系统的参数辨识问题,基于辅助模型辨识思想,利用极大似然原理和递推辨识技术,提出一种极大似然递推辨识算法.主要方法是针对模型中的未知输出构造一个辅助模型,用辅助模型的输出预测未知输出.该方法可以直接基于双率输入输出数据进行参数辨识.仿真实验表明,所提出的算法能有效地辨识双率Hammers...     

Wiener-amalgam空间的非均匀采样集

研究了由Wiener-amalgam空间中的函数Ф生成的整平移不变子空间V^2（Ф）的采样集X问题,并运用生成子Ф的连续模（oscillation）刻画了构成V^2（Ф）的采样集X的一个充分条件,     

基于子空间方法的非均匀多采样率系统辨识

针对非均匀多采样率系统的建模问题,根据因果关系,建立了非均匀多采样率系统的状态空间模型.对于含有提升变量的状态空间模型,提出基于子空间技术的辨识方法.首先,由系统的输入输出数据建立由Hankel矩阵组成的扩展状态空间方程;其次,利用斜交投影的原理,以及奇异值分解,通过子空间辨识算法确定增广观测矩阵和状态向量;最后,通过最小二乘方法确定模型的参数矩阵.该方法简单有效且对初值具有鲁棒性.仿真实例验证了方法的有效性.     

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.     

含饱和特性的双采样率数据Hammerstein系统辨识

针对含有饱和特性的双采样率数据Hammerstein系统提出了一种新的辨识方法。首先,将含有饱和特性的静态非线性环节和线性动态环节的串联,整理成一个非线性基函数和线性动态环节的串联。在此基础上,利用辅助模型辨识原理解决数据缺失、中间未知变量、被辨识参数之间存在耦合的问题, 通过递推辨识算法利用双率采样数据辨识单率Hammerstein模型中的参数。最后,以一个含饱和特性非线性系统实例的建模来验证提出辨识算法的有效性。     

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.     

解变分不等式的超梯度Mann迭代算法

介绍了关于变分不等式近似解的一种新的超梯度迭代算法.该算法在迭代过程中使用了Mann迭代,规定了一个较优的搜寻步长,并且选择了与以往投影算法所不同的搜寻方向.同时证明了所构造的算法生成的迭代序列在广义单调条件下是全局收敛的.     

一类非均匀采样数据系统的状态估计

首先利用提升技术推导出非均匀周期刷新和周期采样多率系统的提升状态空间模型;并基于卡尔曼滤波原理,通过极小代估计误差协方差矩阵,提出这类系统提升状态空间模型的状态估计算法.仿真试验说明,提出的算法可以有效地估计系统状态.