随机干扰系统的辅助模型递推广义增广最小二乘辨识方法

基于辅助模型辨识思想,提出了一般有色噪声干扰随机系统的辅助模型递推广义增广最小;乘辨识方法。仿真例子说明提出方法的有效性。     

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。     

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。     

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。     

Hammerstein模型的稳态辨识方法——MIMO情形

本文针对用Hammerstein模型描述的一类MIMO非线性系统 ,提出了一种稳态参数估计的辨识方法。此方法具有在稳态状态下取值 ,参数辨识简单、精确等优点。数字仿真结果说明了该方法的有效性和实用性。     

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。     

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...     

一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

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。     

基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。     

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。     

基于神经网络的切换非线性系统辨识

提出了一种基于神经网络的多个Hammerstein-Wiener模型构成切换非线性系统的在线辨识方法.首先,通过误差逆传播(back propagation,BP)神经网络建立切换非线性系统的切换规律预测模型;其次,提出折息递推辨识算法对各个非线性子系统的参数进行辨识.利用关键项分离法对乘积项进行分离,得到各个子系统的...     

滑动平均噪声干扰双输入多率系统最小二乘迭代辨识

研究了滑动平均噪声干扰的双输入多率系统最小二乘迭代辨识算法.首先推导出2个输入通道采样周期不相等的多率系统的离散时间状态空间模型,得出对应的传递函数模型.针对辨识模型信息向量中存在不可测噪声项的困难,利用最小二乘迭代原理,将未知噪声变量用其迭代估计值来代替,提出了这类双输入多率采样数据系统的最小二乘迭代辨识算法.最后通过仿真例子比较了最小二乘迭代辨识算法与递推增广最小二乘算法的辨识效果,说明了所提出算法的参数估计精度较高.     

基于最小二乘改进算法的时变系统参数辨识

在系统辨识领域,常规最小二乘法是一种最基本的辨识方法之一.然而,随着观测数据的不断增加,会出现“数据饱和”的现象,造成新观测数据对估计值起不到修正的作用.由于新观测值对未知参数估计的影响要比旧观测值大,采用了渐消记忆和限定记忆最小二乘改进算法,来实现时变过程的参数辨识,并进行了仿真实验.仿真结果表明,它们能够克服“数据饱和”现象,从而改善参数辨识结果     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

基于偏最小二乘回归的焦炭热性质非线性预测模型

针对基于煤质指标预测焦炭热性质建模过程中易出现的多重共线性问题,提出应用偏最小二乘回归对焦炭热性质进行预测的建模思路.考虑到煤质指标与焦炭热性质之间复杂的非线性关系,采用拟线性化处理的方法,将煤质指标的一次效应、二次效应及交互效应作为模型输入,建立焦炭热性质预测的偏最小二乘回归模型;基于拟线性化处理的非线性偏最小二乘回归和线性偏最小二乘回归对焦炭热性质预测实例进行分析.研究结果表明:基于偏最小二乘回归方法建立的焦炭热性质预测模型是有效可行的:非线性偏最小二乘回归模型的预测精度明显比线性偏最小二乘回归模犁的预测精度高.     

两电机变频调速系统的改进RLS逆模型辨识

为弥补现有两电机变频调速系统逆模型辨识中存在的不足,提出一种多模型LSSVM逆模型辨识方案.依据多模型思想,利用LSSVM拟合系统局部逆模型中的非线性映射,将各局部逆模型加权输出,建立离线初始逆模型.根据逆模型输出与系统输入的偏差,通过改进的RLS算法自适应调整局部逆模型权值,对初始逆模型在线校正,使其适应对象的变化,提高辨识精度和收敛速度.分析了两电机变频调速系统及可逆性,阐述了改进的RLS算法和LSSVM算法,给出了多模型LSSVM辨识方案的实现步骤,并对辨识效果进行了仿真试验.仿真结果表明,新型辨识方案是可行有效的,适用于两电机变频调速系统的逆模型辨识.