连续时间变量带误差系统的辨识方法研究

在已有离散时间变量带误差(EIV)系统辨识方法的基础上,探索能辨识连续时间EIV系统的L2最优辨识方法。所获得的L2最优辨识模型由表征为正规右图符号(NRGS)的系统模型及其补内因子(CIF)表征的噪声模型描述。首先利用已有L2最优辨识方法优化得到离散时间L2最优辨识模型;然后再利用双线性变换将其转化成连续时间模型;最后,通过数值仿真例验证了所提出辨识方法的有效性。

变量带误差系统的递推辨识:从线性到非线性系统

介绍变量带误差(EIV)系统的递推辨识方法.在引言中扼要介绍了EIV系统辨识的现状后,分别对多变量线性EIV系统及EIV Hammerstein系统给出了递推辨识算法,并给出条件使这些估计以概率1收敛到真值.最后提出了一些值得进一步研究的问题.

含缺失数据的EIV系统辨识

针对含缺失数据的变量带误差(EIV)系统,直接利用协方差匹配(CM)算法进行辨识的精度有限,为此提出一种协方差匹配迭代(covariance matching based iterative,CMI)算法。首先基于不完整数据集,利用CM算法获得模型参数的初始估计,然后采用交互估计理论,利用获得的参数计算缺失输出数据的估计,重构得到完整的数据集后再进一步利用CM算法更新参数估计。两者执行了递阶计算过程,通过迭代辨识逐步提高参数估计精度。仿真结果表明,CMI算法的参数估计误差在输出数据缺失率达到60%时仍然能够保持在2%以下,且随输入端和输出端噪信比的变化速率仅为CM算法的16.8%和10.8%,验证了所提算法具有较高的辨识精度和良好的鲁棒性。