联立方程系统的递推估计形式

(1)本文讨论了在经济计量研究中的联立方程系统在新增加样本容量下参数的递推估计问题。(2)给出的是简化式的递推估计方法;(3)给出的是恰好识别条件下,结构方程参数的递推估计方法;(4)给出的是过度识别条件下,结构方程参数的递推估计方法。     

线性自回归加权递推模型

本文论述了线性自回归加权递推模型及其预测方法,并将指数窗加权方法用于自回归递推模型。以广西实际资料具体阐述了线性自回归加权递推模型在大林业中的应用。     

时变纯延迟发动机模型的参数辨识及控制方法

航空发动机随着环境条件和工作状态的变化,其特性参数将发生很大的变化,且由于燃烧延迟等因素的存在,航空发动机可以被看作是带有一定程度的纯延迟的时变系统。而针对带有纯延迟特性的控制算法———Smith控制器,通常用于定常纯延迟系统的控制。当被控系统参数未知且时变时,Smith控制算法就不能完全补偿时变参数对系统特性所造成的影响,从而很难获得令人满意的控制效果。利用最速下降法和自动调整遗忘因子的最小二乘参数估计修正算法,分别在线辨识某涡轴发动机的延迟时间和动态模型参数,并将辨识获得的参数用于Smith控制器的自适应实时调整,进行控制算法的设计,实现涡轴发动机的实时闭环控制。仿真结果表明,该算法能够快速准确地辨识出系统参数,具有良好的跟踪性能。把该算法应用于纯延迟系统的闭环控制时,大大改善了Smith控制器的抗干扰能力,明显改善了涡轴发动机控制系统的稳定性和鲁棒性。     

多变量系统子子模型辨识

目前,对多变量系统辨识的研究已经越来越多,但是,基本上都属于子模型的辨识问题,不便于实际应用.本文采用子模型与子子模型技术,将一个有R个输入,m个输出的多变量系统分解为M个带R个输入的子模型,而每个子模型又可分解为R个子子模型(单输入单输出系统).在多变量系统中,只要做一次试验(同时加入月个输入信号),使用月个输入信号与M个输出信号的数据,可以自动辨识子模型的阶次与参数,再从子模型的有关数据,最终辨识出子子模型的阶次与参数.本文采用分块矩阵求逆公式,提出一种快速的自动定阶与估计参数的递推算法.     

CAR模型的可变遗忘因子多误差随机信息梯度辨识

CAR模型在过程建模中得到了广泛应用.传统的随机信息梯度算法虽然可以辨识CAR模型,但是算法收敛速度慢、估计精度不高.为解决这一问题,提出了一种带可变遗忘因子的多误差随机梯度算法.首先用信息向量取代信息标量,提出了一种多误差随机信息梯度算法;然后,将误差信息引入遗忘因子,提出一种可变遗忘因子.数值仿真表明,所提算法能够...     

Hammerstein系统遗忘因子有限窗口分解辨识

提出一种带遗忘因子和分解辨识策略的有限数据窗口递归最小二乘Hammerstein系统辨识方法。针对Hammerstein系统具有耦合参数的问题,将Hammerstein系统分解为2个子系统：一个子系统包含线性子系统参数,另一个子系统包含非线性子系统参数;提出一种基于遗忘因子的有限窗口递归最小二乘方法对分解模型进行在线递归估计;仿真示例验证了所提算法能够快速跟踪参数,实现对Hammerstein系统的精确辨识。     

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.     

一类部分可观测“有用信号”的最佳递推滤波估计

应用滤波理论在研究一类条件Ｇａｕｓｓ有谱广义平稳随机序列最佳递推滤估计的基础上，讨论了一类部分可观测“有用信号”在均方意义下的最佳线性递推滤估计与误差问题。讨论结果表明，所得到的最佳递推波方程，对解决该类广义平稳随机序列的非观测分量依可观测分量的最佳估计效果甚佳，为进一步提高该类信号传递系统的效率，提供了一种理想的数学处理方法。     

基于算术均值与递推估计的被动雷达导引头数据融合处理

分析了环境信号流的特点、剔除异部雷达信号的必要性。并介绍了一种用于剔除宽波门中异部雷达脉冲信号的处理算法，有效地提高了导引头的目标跟踪精度。     

多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

严格的最小二乘递推算法

当缺乏待估计量的初始统计知识时,最小二乘递推（ＲＬＳ）算法不能给出严格意义下的最小二乘估计．本文继文献［１］之后,应用广义逆的理论,分别就一般加权情形、最优加权情形和指数加权情形给出了严格的最小二乘速推算法（简称Ｒ２ＬＳ算法）．该算法无需事先提供待估计量的任何统计知识而能获得严格意义下的最小二乘估计,且证明了该算法分别为时变与定常系统提供了最短时间无偏状态估计算法与无差状态观测器．     

一般线性回归模型的参数估计

传统的最小二乘估计在处理一般线性回归模型的参数β和σ2的估计问题时,若遇到异常数据模型拟和得往往不好,现提出另一种估计方法:修正的最小二乘估计.结果表明此方法在处理异常数据时具有明显的优越性.     

RLS算法的改进性能分析

讨论了递归最小均方误差算法（RLS）的性能分析。对该算法误差的均值及方差都进行了研究,在平均原理基础上使用了更精确的算是方法,得到一种改进的性能分析方法,新的分析方法得到的理论值更接近模拟的结果,优于通常方法的结果,还利用新的分析方法讨论了基于RLS算法的稳定性。     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

非线性系统的递推最小二乘自适应模糊控制

提出了一种可有效消除被控系统不确定性的自适应模糊控制方法．该方法采用模糊逻辑系统（FLS）来辨识系统的未知函数，并采用连续形式的递推最小二乘算法作为自适应律调节FLS权参数．该自适应律可保证FLS权参数稳定收敛，最终收敛至最佳值的一个很小邻域中，同时保证跟踪误差指数衰减趋于0．倒立摆仿真结果表明，采用该方法时，辨识的归一化平方误差小于2％，其相对跟踪误差较混合自适应控制方法减少了58％．     

递推批量最小二乘在直升机电动舵机故障诊断中的应用

针对批量最小二乘在线辨识Volterra级数存在计算量大，数据存储空间占用多的不足，提出了一种基于递推批量最小二乘的辨识方法。该方法通过固定观测矩阵的维数来控制数据存储空间的占用，利用递推辨识的方法避免了对矩阵直接求逆，减小了计算量。针对监测对象处于稳定工作状态时，因观测数据非常相近容易导致观测矩阵出现病态的现象，引入影响因子的概念对观测数据进行取舍，以增强辨识数值的稳定性。通过在直升机电动舵机故障诊断中的实际应用证明了该方法的有效性，为基于非线性频谱分析的在线故障诊断技术提供了一个重要途径。     

LSE的稳健性

用不同于Zyskind的方法在LS估计的稳健性方面得到了一些新结论。首先,对设计矩阵列满秩,协方差矩阵非奇异的情形,给出了GLSE和LSE相等的两个充要条件和一个充分条件,揭示了GLSE和LSE相等与它们方差相等之间的关系,对设计矩阵的一般情形,给出了三个充分条件,较好地解决了这方面的问题。     

关于线性模型最小二乘估计强相合性的条件

本文分别在随机误差r阶距有限,r∈(0,1)及二阶矩有限的条件下研究了最小二乘估计的强相合性。与已有的结论比较本文中定理的条件是较弱的。     

动态调节模型的最小二乘迭代辨识方法

为了改进参数估计精度,利用递阶辨识的交互估计理论,提出了辨识动态调节模型的最小二乘迭代辨识方法。其基本思想是:在每步迭代计算中,将信息向量中或信息矩阵中不可测噪声项用其估计值代替,而噪声估计值又是用前一次迭代参数估计进行计算的,二者执行了一个递阶计算过程。与流行的递推广义最小二乘算法相比,提出的迭代算法在每一步计算中,同时利用了系统所有量测数据信息,因而具有更高的参数估计精度和更快的收敛速度。进行了仿真计算。     

一种改进的递推最小二乘盲多用户检测算法

为提高基于递推最小二乘(RLS)算法的盲多址干扰抑制检测器的稳态输出性能，根据空间正交投影算法和自适应判决反馈控制算法，提出一种基于RLS算法的自适应判决反馈盲干扰抑制检测器，该检测器在启动阶段，等价为一种基于RLS准则的盲干扰抑制检测器，在稳态收敛阶段，等价为一种有训练数据的RLS干扰抑制检测器．既保持了最小输出能量(MOE)检测器的全局收敛性，又具有最小均方误差检测器高输出信干比的优点．计算机仿真结果表明，该检测器性能优于已有的基于MOE准则的检测器，且能应用于时变信道．