具有观测噪声的AR模型参数的无偏估计

本文研究了带未知白色观测噪声的ＡＲ模型参数的无偏估计问题，提出了一种实现ＡＲ模型参数无偏估计的偏差补偿最小二乘法，这种方法通过对预测数据预滤波，将一个已知零点嵌入被辨识系统，并利用该零点提供的信息，从普通最小二乘估计中提出出噪声引起的偏差并予以消除，从而得到无偏估计，文中给出的数值仿真例子说明了所提算法的有效性。     

光源工程直线加速器工艺冷却水系统建模

以上海光源工程工艺冷却水-电子直线加速器系统为研究对象,采用闭环辨识方法进行建模.在闭环条件下,由于不可测噪声通过反馈环节对系统控制输入信号产生影响,采用二阶段辨识方法对系统进行建模.二阶段闭环辨识算法将闭环辨识问题转换为2个开环辨识问题,通过构造无噪声无污染的中间信号来代替实际的控制输入,以此解除噪声与控制输入之间的相关性,然后利用经典的开环辨识算法可得系统参数的一致无偏估计.     

含过程噪声的Hammerstein-Wiener神经模糊模型多信号源辨识

提出一种在过程噪声干扰下基于偏差补偿递推最小二乘法的Hammerstein-Wiener神经模糊模型多信号源辨识方法.通过三阶段组合式多源信号,实现了过程噪声干扰下HammersteinWiener模型中输入静态非线性环节、动态线性环节以及输出静态非线性环节的分离,提高了各串联环节模型参数的分离精度,避免了传统迭代分离方法中模型参数的收敛问题.在此基础上,利用补偿原理,提出基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型参数辨识方法,通过在递推最小二乘算法中引入修正项来补偿过程噪声引起的估计偏差,实现了模型参数的无偏估计.理论分析与仿真实验的结果表明,所提出的方法具有较好的有效性.     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

基于广义最小二乘法的随机非线性系统自适应跟踪

运用基于估计的模块化设计思想,研究了受方差不确定Wiener噪声干扰的参数严格反馈形式非线性系统对已知信号的自适应跟踪问题.构造控制Lyapunov函数(control Lyapunovfunction,CLF),设计了具有鲁棒稳定特性的输入状态稳定(input-to-state stability,ISS)控制器,确保系统满足控制器-辨识器分离;运用Swapping技术设计辨识器模块,将动态参数模型转换成静态模型,考虑到方差不确定,采用广义最小二乘算法进行参数估计,讨论了系统方差的估计方法.     

基于相关函数法的焊接过程非线性辨识

激光焊接过程是一个典型的带有扰动和噪声的非线性系统．采用相关一最小二乘法对非线性系统进行辨识可以得到未知参数的无偏估计,并且这种辨识方法不需要大量的样本数据．针对高功率二极管激光焊接控制系统,运用相关一最小二乘法的非线性辨识方法,建立了参数为线性的非线性模型．实际阶跃响应数据验证了此模型能够较好地代表焊接过程的稳态及动态特性．     

基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识

针对含有过程噪声的Hammerstein模型,提出了一种基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识方法。采用多信号源实现Hammerstein模型的可辨识性和参数估计分离问题;将辅助模型引入到串联模块的最小二乘法辨识中,得到Hammerstein模型参数的无偏估计。仿真结果验证了该算法的有效性。     

带有色观测噪声的改进自适应滤波算法

在噪声消除系统中,若观测噪声为有色噪声,则基于最小二乘准则(LS),提出了两段RLS-RELS算法,这是一种改进的递推增广最小二乘法,该自适应算法能显著减小噪声的影响,提高信号质量.并在此基础上提出了计算噪声方差的估值方法.计算机数值仿真例子和信噪比的计算比较证明了算法的正确性和有效性.     

小波降噪卡尔曼滤波锂电池荷电状态估计

针对锂离子电池充放电电压信号(DCV)中存在的噪声信号导致荷电状态(SOC)估计精度降低、波动较大的问题,提出了一种基于离散小波变换(DWT)的降噪扩展卡尔曼滤波(EKF)算法。该算法利用多分辨率分析(MRA)分解携带噪声的DCV信号,通过对比4种阈值硬阈值降噪规则对携带噪声的DCV信号的降噪处理效果,选择Stein无偏风险阈值硬阈值降噪规则调整小波系数,通过含自适应遗忘因子的递推最小二乘法辨识电池模型参数后,利用扩展卡尔曼滤波算法估计SOC。仿真结果表明:使用Stein无偏风险阈值硬阈值降噪规则有效地降低了DCV信号中的噪声信号;所提算法具有较好的鲁棒性,能够有效地提高SOC估计精度,使SOC估计误差范围控制在3%之内。     

设计阵列亏秩时几种估计性能的比较

在给定的线性模型下，讨论了在设计阵列亏秩时，最小二乘估计、最优加权最小二乘估计和线性无偏最小方差估计的性能比较。得出了在一定条件下，最优加权最小二乘估计等价于线性无偏最小方差估计。在噪声方差矩阵可逆、未知参数方差矩阵可逆条件下，可算出最优加权最小二乘估计与线性无偏最小方差估计方差的差表达式，并在一定条件下，两者趋于一致。