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...     

输出过采样闭环系统辨识方法中最优过采样率的选择

提出了一种基于输出过采样技术的线性离散时间闭环系统辨识方法 ,通过对输出端施加过采样 ,将原闭环系统模型转化为过采样模型 .对于输出端白噪声、有色噪声干扰 ,分别利用最小二乘辨识算法和误差预报算法辨识出过采样模型 ,进而计算出原闭环系统的模型参数 .辨识结果中模型参数的估计误差服从均值为0的正态分布 ,方差由过采样率决定 ,据此推导出了使参数估计误差最小化的最优过采样率的计算方法 .该方法实现简单 ,运算量小 ,估计精度高 .仿真实验表明 ,当信噪比大于 15dB时 ,该方法的估计精度可达98% ;当过采样率为 15～ 2 0时 ,算法具有最优的辨识精度     

模型参数未知的双率采样数据系统广义预测控制方法

对于双率采样数据系统,预测控制的困难是存在采样间损失输出,使得传统的预测控制算法和参数估计算法无法实现。为此,阐述了参数未知双率系统预测控制策略。其基本思想是,利用多项式变换技术导出了一个可以使用双率数据进行辨识的模型,通过对这个模型的估算和对采样间损失输出的估计,提出了双率系统的预测控制算法,仿真例子给出满意的控制效果。     

双率时变系统遗忘因子最小二乘参数估计

针对一类双采样率随机时变系统,应用多项式变换技术和随机过程理论,在强持续激励条件下,研究了双率时变遗忘因子最小二乘法(dual-rate forgotten factor least squares,DR-FFLS)的参数估计收敛性,得到了参数估计误差上界的精确表达式.分析表明,随着数据长度k的增加,DR-FFLS算法的参数估计误差上界收敛到常数.同时分析了双率确定性时不变系统、随机时不变系统、确定性时变系统的参数估计误差上界.仿真实例验证了对于随机时变与不变双率系统,同样可得参数估计误差小于参数估计误差上界,并且随着k的增大,参数估计误差上界趋于常数.     

基于双率采样数据的动态调节系统辨识

对于双率采样数据的动态调节模型,利用多项式变换得到一个方程误差自回归滑动平均模型,使用估计的噪声项代替信息向量中的未知噪声,提出了辨识双率系统的广义增广随机梯度算法,以及广义增广遗忘梯度算法。仿真例子说明了提出算法的有效性。     

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。     

一类含随机效应生长曲线模型的谱分解估计

对于含随机效应的生长曲线模型,当随机效应阵D和误差阵R为数乘单位矩阵时,利用向量化算法把模型转化为含两个方差分量的混合效应模型,利用谱分解法能够同时得到模型的固定效应和随机效应的谱分解估计,并给出了估计的性质.     

TRP激光陀螺温度控制系统的参数辨识

针对全反射棱镜式激光陀螺腔长控制系统的特殊性及其模型参数辨识的必要性，给出TRP激光陀螺温度控制系统的数学模型，并基于最小二乘法从理论上分析推导出3种新型参数辨识法：直接辨识算法、辅助变量法和递推算法。指出3种参数辨识法各自的优缺点及适用场合，并用具体实例证明了该辨识算法的正确性和实用性。     

基于双率采样的一类线性时不变系统的H_∞控制

本文研究了一类线性时不变系统的双率采样控制问题。首先,考虑多个类型传感器系统的采样周期不同而引入双率采样方案;其次,通过以小采样周期重构状态信息来建立系统状态补偿机制,充分且实时利用不同时刻的采样信息,进而基于传感器采样时刻的信息设计切换控制器;最后,在Matlab/Simulink环境下通过仿真实验——智能车辆模型的轨迹跟踪仿真,证明了本文所提出的基于采样周期不同的切换控制方案的有效性。     

非均匀采样Hammerstein系统的梯度迭代辨识算法

为了解决Hammerstein非线性系统在非均匀采样条件下的辨识问题,该文提出了1种能够用于在线参数估计的梯度迭代算法。通过引入时变后移算子,推导了非均匀采样Hammerstein系统的离散时间模型。采用关键项分离技术将系统参数化为1个线性回归模型。基于辅助模型辨识思想对未知中间变量进行重构,并利用负梯度搜索原理获得模型参数的迭代估计。仿真结果表明,该文方法是有效的,且比辅助模型随机梯度算法具有更快的收敛速度,参数估计精度提高近40倍。