非线性系统构成哈默斯坦模型的必要条件

借助相关分析方法导出了黑箱非线性系统构成哈默斯坦模型的必要条件,为辨识一大类可以表示成这种模型的非线性系统提供了一种实用的判别依据,借助于渥尔特拉级数和维纳理论,还给出了这种判别依据用表征非线性系统固有属性的渥尔特拉核和维纳核来表示的形式.数值模拟算例表明:所导出的表达式正确有效.

基于遗传规划的哈默斯坦模型的辨识

该文基于遗传规划提出了一种辨识哈默斯坦模型的新方法。哈默斯坦模型由静态非线性模块和动态线性模块串联而成,因此系统辨识的目标是要找到非线性和线性模块的最优数学模型。该文通过遗传规划确定非线性模块的函数结构,并结合遗传算法确定模型的未知参数,适应度值的计算采用了最小信息量准则(A IC),以平衡模型的复杂度和精确度。该方法不需要对模型的先验知识有详细了解,就能达到较好的辨识效果,并且能够克服观测噪声的污染,获得参数的无偏估计。仿真结果说明了该方法的有效性。

应用退火演化算法辨识哈默斯坦模型

本文介绍了一种基于进化策略的新型模拟退火算法--退火演化算法,该算法将进化策略引入模拟退火算法中,通过变异和选择等步骤不断改善解的群体,而不是像传统的模拟退火算法那样仅仅采取单点迭代的方法。退火演化算法加强了对解的构成空间的整体把握,提高了搜索效率和精度,尤其对多峰函数具有良好的最优解搜索能力,并且具有较强的鲁棒性和灵活性。本文将其应用于哈默斯坦模型的参数辨识,仿真结果说明了该方法的有效性。

哈默斯坦非线性时变系统的加权学习辨识方法

针对有限区间哈默斯坦(Hammerstein)非线性时变系统,该文提出一种加权迭代学习算法用以估计系统时变参数。首先将Hammerstein系统输入非线性部分进行多项式展开,采用迭代学习最小二乘算法辨识系统的时变参数。为了防止数据饱和,采用带遗忘因子的迭代学习最小二乘算法,进而引入权矩阵,采用加权迭代学习最小二乘算法改进系统跟踪误差,以提高辨识精度。该文分别给出3种算法的推导过程并进行仿真验证。结果表明,与迭代学习最小二乘算法和带遗忘因子迭代学习最小二乘算法相比,加权迭代学习最小二乘算法具有辨识精度高、跟踪误差小以及迭代次数少等优点。

基于Hammerstein模型的阀门粘滞检测和量化

实际工业控制系统中,调节阀粘滞会造成控制回路性能下降,严重时甚至振荡。提出来一种新的阀门粘滞检测和量化方法,以便监测和后续优化。首先,利用双向干谱法检测性能变差的控制回路中是否存在非线性,再用椭圆拟合方法判定非线性来源为阀门粘滞;然后,将控制回路表示为Hammerstein模型结构,结合粒子群优化方法在辨识过程模型的同时检测并量化得到粘滞程度大小。最后,通过仿真实例和实际工业数据对所提方法进行测试,结果验证了其有效性。

GaN逆F类高效率功率放大器及线性化研究

效率和线性度是功率放大器的重要指标,也是设计的技术难点。该文设计了2.5-2.6 GHz高效率GaN逆F类功率放大器,其输入输出谐波匹配网络由解析的方法设计得到。单音测试结果表明,在2.55 GHz处,功放的漏极效率超过75%。为了建立逆F类功放的行为模型进行数字预失真,对传统的Hammerstein模型进行了改进,提升了模型拟合精度,对20 MHz带宽、峰均功率比为9.6 dB的16-QAM OFDM调制信号,结合峰值因子降低技术和数字预失真技术对逆F类功放进行线性化后,功放的相邻信道功率比(ACPR)优于-48 dBc。