两输入多率采样系统随机梯度辨识算法

以两输入多率采样数据系统为例,推导了多率采样系统的离散时间状态空间模型,进一步导出了对应的离散系统传递函数模型。提出了这类多率系统的随机梯度辨识算法,通过仿真例子说明了算法的有效性。     

损失数据自回归模型的随机梯度辨识算法

运用多项武变换技术将损失观测数据自回归模型转化为一种特殊形式的模型,该模型可以利用稀少观测数据来辨识模型参数,再利用模型等价原理来估计损失观测数据,提出了基于残差的随机梯度辨识算法,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.     

两参数随机过程的一致随机连续性

证明了一致随机连续的两参数随机过程的矩形增量,在任意小的左开右闭的长方形上按概率收敛于0.     

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.     

单输入多输出系统的递阶增广随机梯度辨识算法

根据负梯度搜索原理,推导了滑动平均噪声干扰单输入多输出系统的递阶增广随机梯度算法.为了改进提出算法的收敛速度,在算法中引入遗忘因子,得到递阶增广遗忘梯度算法.数字仿真结果表明所提出的算法估计系统参数是有效的.     

随机梯度算法的收敛性分析

虽然随机梯度算法的计算量比最小二乘法要小得多,但是它的收敛速度很慢。为了提高随机梯度算法的收敛速度和参数估计精度,提出了遗忘梯度算法,它不仅具有较快的收敛速度,而且具有跟踪时变参数的能力。随机梯度算法的收敛性证明是辨识领域的一个研究难题,文章运用鞅收敛定理分析了它的收敛性,结果表明随机梯度算法给出的参数估计误差一致有界,在强持续激励条件下参数估计误差一致收敛于零。数字仿真表明提出的方法是有效的。     

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。     

随机变分不等式的随机投影梯度算法

在R~n空间中给出随机变分不等式问题的随机投影梯度算法.该算法的优点在于:在迭代的每一步,只需向可行集投影一次,也只需对函数赋值一次;这使得算法简单快速,特别对于F函数值以及投影难以计算的情况.同时,证明该算法所产生的迭代序列的全局收敛性.     

基于随机权重粒子群算法的SCARA机器人动力学参数辨识

针对SCARA机器人在负载条件下末端动力学参数难以辨识的问题,在分析负载对各关节力矩影响的基础上,对SCARA机器人进行了结构简化,利用Lagrange法建立带负载机器人的动力学数学模型,确定了需要辨识的机器人末端动力学参数。在传统粒子群算法的基础上,提出一种随机权重粒子群算法对机器人动力学参数进行辨识,并编写了相应的程序。仿真辨识结果表明:随机权重粒子群算法的收敛速度与参数粒子搜索范围得到明显提升,辨识出的机器人力矩与实际输出力矩基本吻合,说明该算法对机器人动力学参数的辨识具有较高的精度;与遗传算法、基本粒子群算法相比,随机权重粒子群算法辨识得到的适应度函数最优值最小,不易陷入局部最优,便于全局搜索,参数辨识精确更高。     

随机环境中马氏链的一致强遍历性

For Markov chains in random environments, Cogbum( 1984, 1990) first introduced weak ergodic concept that “starting time“ is original point, and gave some conditions ensuring that the chains are weakly ergodic; Li Ying-qiu, Yan Xiao-bing, Wang He-song(2003) and LI Ying-qiu, YAN Xiao-bing and LI Ming-liang (2003) introduced uniformly weak ergodic and strong ergodic concept that “starting time“ is any point, and gave some conditions ensuring that the chains are uniformly weakly ergodic or strongly ergodic. In term of above ideas, the definitions of uniformly strong ergodic and XN -uniformly weak ergodic that “starting time“ is any point are introduced. Some conditions ensuring that the chains are uniformly strongly ergodic are given. It is the basis of further research for Markov chains in random environments.     

基于梯度的随机微粒群算法

在随机微粒群算法和函数梯度信息基础上,文章提出了基于梯度的随机微粒群算法.该算法既有随机微粒群算法的优点,又有梯度法的较高收敛性和精度,数值计算表明算法对于求解连续可微函数的全局优化问题是非常有效的.     

多变量系统随机梯度辨识方法比较研究

针对工业中广泛存在的多变量系统,研究了辨识这类系统的遣忘梯度辨识算法,分子系统遗忘梯度辨识算法和递阶遗忘梯度辨识算法,对这三种算法的计算量进行了比较分析,并给出了仿真例子.     

线性系统的随机参数辨识和收敛性分析

本文讨论了参数估计和输出误差的收敛性,并给出了系统持续激励的一个充分条件。在此条件下,证明了参数估计和它与时变参数间的估计误差的均方值收敛于随机参数的期望值和均方差值。     

同步电机在线参数辨识的混合算法

根据输出误差法(OEM)、遗传算法和神经网络的优缺点,提出了一种同步电机参数在线辨识的四步法.由于OEM辨识参数需要较好的初值,文中首先用遗传算法在大范围内进行参数寻优,然后以此值作为OEM的初值进行迭代,再用OEM求得的结果训练人工神经网络,最后通过成功训练的神经网络在线辨识各种运行状态下的电机参数.这样使得传统的OEM参数辨识算法、遗传算法和神经网络在辨识参数方面充分地扬长避短,解决了单一算法的不足.在对一台111kVA、440V同步电机进行的仿真试验中,该方法在保证精度的前提下,辨识时间仅为0 008s.     

非线性随机系统的参数辨识及动态预报

鉴于含有加性噪声的指数模型描述了一类重要的非线性随机系统，本人出这类系统的参数的递推辨识算法，克服了迭代算法不能在线运行，需反复矩阵求逆的不足，当系统时变时，还采用了虚拟噪声技术来补偿因参数时变引起的建模误差，从而改善动态预报器的性能，应用这种方法，对油田采油井，注水井的套管损坏的情况进行了多步动态预报，其精度令人满意。