Hammerstein OEMA系统的辅助模型最小二乘辨识

针对Hammerstein输出误差自回归(OEMA)模型,将关键变量分离原理与辅助模型辨识思想相结合,提出了基于关键变量分离的辅助模型递推增广最小二乘辨识方法。该方法能获得系统参数估计和噪声参数估计,且能实现在线辨识。

基于正交匹配追踪改进的Hammerstein系统辨识方法

针对在有限数据采样情况下Hammerstein CAR模型的阶次和参数辨识问题,本文将关键变量分离原理和压缩感知(compressed sensing,CS)理论相结合,提出了一种改进的正交匹配追踪稀疏辨识方法。该方法采用关键变量分离原理分离出系统线性模块中的关键变量,然后用非线性模块表达式将其替换,从而将系统输出表示为含所有待估参数的线性回归方程,并将其表达在采用压缩感知理论进行系统参数重构的标准框架之下,最后利用压缩感知原理的正交匹配追踪算法对系统阶次和参数同时进行估计。仿真结果表明,参数估计误差随着迭代次数的增加逐渐减小,最终趋于零,说明该算法是有效的。该研究能有效地获得系统阶次和参数估计,提高了估计辨识算法的运算效率,在实际工业过程中具有一定的实用意义。