多新息随机梯度辨识方法

多新息随机梯度辨识方法是系统辨识和参数估计的一种基本方法.该方法由于采用了间断迭代,因此可以克服坏数据对参数估计的影响,且具有较强的鲁棒性,又可以跟踪时变参数.作者从理论上给出了多新息随机梯度辨识方法的推导过程,同时列出多新息随机梯度辨识方法的各种变形.数字仿真实验表明多新息随机梯度辨识方法具有良好的性能.

多新息随机梯度辨识方法的收敛性研究

从理论上给出了多新息辨识方法的推导过程,提出了多新息随机梯度辨识方法,并运用随机过程理论分析了多新息随机梯度辨识方法的均方收敛性,给出参数估计误差上界的计算公式。分析表明数据的平稳性可以提高参数估计精度。最后给出了多新息辨识方法的各种典型变形。

多变量系统辅助模型多新息随机梯度辨识方法

针对多变量输出误差系统的模型辨识问题,借助辅助模型思想推导出其随机梯度辨识算法;由于该算法的收敛速度慢,为了提高收敛速度,将算法中的新息向量扩展成新息矩阵,得到基于辅助模型的多新息随机梯度辨识算法;辅助模型多新息算法使用新息矩阵对参数进行校正估计,该新息矩阵不仅包含了当前时刻的新息向量,还包含过去多个时刻的新息向量,因而,与辅助模型随机梯度算法和增广随机梯度算法相比,该算法具有更快的收敛速度;一个二输入二输出的仿真例子证明了所提出的算法的确具有更快的收敛速度。

基于移动数据窗的传递函数多新息随机梯度辨识方法

一些工业过程可以近似用一个传递函数描述,结合统计辨识方法和非线性优化策略提出传递函数参数辨识方法.该方法采用动态数据方案,使用系统观测数据获得系统更多的模态信息.基于动态观测数据,提出传递函数随机梯度参数辨识方法.为进一步提高辨识精度,利用动态窗数据将随机梯度参数辨识方法中的标量新息扩展为新息向量,提出传递函数多新息随机梯度参数估计方法.最后通过仿真例子对所提出的方法进行了性能分析和模型验证.

自回归模型的多新息随机梯度和多新息最小二乘辨识方法

将多新息辨识理论用于研究自回归模型的参数辨识问题,通过把标量新息扩展为向量新息(即多新息),扩展信息向量到信息矩阵和构成堆积系统输出,从而提出了自回归模型的多新息随机梯度辨识算法和多新息最小二乘辨识算法。仿真结果验证了提出算法的有效性。

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.

基于时域的多新息随机梯度法VSG参数辨识

针对采用虚拟同步发电机技术(Virtual synchronous generator,VSG)控制的新能源并网逆变器,提出一种基于统一模型的VSG实际输出惯性和阻尼的辨识方法,定量评估逆变器提供给大电网的惯性和阻尼。首先分析不同的VSG接建模方法,建立统一的VSG控制模型结构,然后提出一种适用于时域的多新息随机梯度法VSG关键参数的辨识方法,利用指令功率阶跃激励出系统功率动态信息,根据所推导的VSG控制模型参数之间的关系,动态地辨识出系统输出的惯性和等效阻尼参数,然后分析辨识模型的误差。最后,通过仿真验证与对比证明所提方法的有效性。

CARMA模型的多新息增广随机梯度辨识算法

将多新息辨识理论用于研究CARMA模型参数辨识问题,通过把标量新息扩展为向量新息,即多新息,得出相应的多新息增广随机梯度辨识算法。仿真结果验证了提出算法的有效性。

高速电主轴动力学模型参数多新息随机梯度辨识

针对高速电主轴转子转速、磁链和电流中存在复杂的强耦合、时变非线性因素造成其系统模型难以精确建立的问题,结合多新息辨识理论,提出了一种高速电主轴动力模型参数的多新息辨识方法。根据高速电主轴的结构和特点,建立其动力学模型;通过对高速电主轴动力模型的离散化,估计参数项由当前误差扩展为包含当前误差和历史误差的向量,实现了高速电主轴的多新息模型参数辨识。通过与传统随机梯度辨识方法进行仿真对比,表明了多新息长度p的引入可以有效提高模型参数辨识的速度和精度,并且随着信息长度的增加收敛速度逐步提高,验证了该文方法的有效性和正确性。

基于遗忘因子多新息随机梯度算法PMSM参数辨识

针对传统辨识算法结果不精确以及电机参数变化问题,提出了基于遗忘因子多新息随机梯度辨识算法。结合永磁同步电机系统电压方程,构建离散辨识模型。采用矢量控制方法控制电机,获得辨识模型输入输出数据,对转子电阻和电感参数进行在线辨识。仿真结果表明,该算法能够实现对永磁同步电机参数的辨识。

基于辅助模型的多新息广义增广随机梯度算法

将辅助模型辨识思想与多新息辨识理论相结合,利用系统可测信息建立一个辅助模型.分别用辅助模型输出和噪声估计值代替辨识模型信息向量中未知真实输出变量和不可测噪声项,并引入新息长度扩展标量新息为新息向量,提出了Box-Jenkins模型的辅助模型多新息广义增广随机梯度辨识方法.所提出方法重复使用系统数据,能够改善参数估计精度,加快算法的收敛速度.

CARMA模型多新息增广随机梯度参数估计算法的收敛性

将多新息辨识理论用于研究CARMA模型的参数估计问题。首先用估计残差来代替信息向量中的不可测噪声项,导出了CARMA模型的增广随机梯度算法,进一步把标量新息推广为新息向量,导出了相应的多新息增广随机梯度辨识算法,并利用鞅收敛定理分析了多新息增广随机梯度算法的收敛性。最后的仿真结果验证了该算法的有效性。

电力系统多新息随机梯度模型辨识与自适应时滞阻尼控制

提出了基于多新息随机梯度模型辨识算法的电力系统广域自适应阻尼控制器设计思想。通过对实测输入输出信号进行在线辨识获得了含有互联电力系统全部关键机电振荡模式的精确开环模型;基于自由权矩阵方法研究了广域电力系统时滞相关稳定性条件,基于相关定理设计了状态反馈控制器,利用线性矩阵不等式可以方便求解得到时滞电力系统最大时滞上限。在此基础上,结合状态观测理论实现了互联电力系统的时滞输出反馈控制。针对典型的IEEE四机两区域互联电力系统的时域仿真表明,多新息随机梯度算法可以快速、准确的获得电力系统的开环模型,基于辨识所设计的广域自适应阻尼控制器能够显著地抑制系统低频振荡,提高互联电力系统阻尼和动态稳定性。

一类有色噪声干扰系统的辅助模型多新息辨识方法

针对一种有色噪声干扰系统,把标量新息扩展为向量新息(即多新息),将最小二乘算法、随机梯度算法分别和辅助模型方法结合,提出了基于辅助模型的多新息最小二乘算法和基于辅助模型的多新息随机梯度算法。与传统最小二乘算法和随机梯度算法相比,所提出的算法可有效提高收敛速度和辨识精度,其中基于辅助模型的多新息随机梯度算法比基于辅助模型的多新息最小二乘算法计算量少、收敛速度快。仿真例子验证了算法的有效性。

MISO系统辅助模型多新息增广随机梯度算法

对于有色噪声干扰的输出误差多输入单输出(MISO)系统,常规的递推最小二乘辨识方法给出的参数估计是有偏的。为了提高随机梯度辨识方法的收敛精度和速度,用辅助模型的输出代替辨识模型信息向量中的未知不可测变量,推导出其辅助模型增广随机梯度辨识算法;再引入新息长度扩展标量新息为新息向量,提出了基于辅助模型的MISO系统多新息增广随机梯度辨识算法。所得算法在每一次的迭代中不仅使用了当前数据和新息,而且使用了过去数据和新息,提高了参数估计精度和收敛速度。仿真例子验证了算法的有效性。

自回归模型的多新息投影辨识方法

通过扩展标量新息为向量新息(即多新息),推导出自回归模型的多新息投影辨识算法。仿真结果说明提出的多新息投影算法优于投影算法。

基于输出估计的多输入系统随机梯度估计算法

对于输出误差模型描述的多输入单输出系统,辨识的困难在于辨识模型信息向量中包含系统未知输出量(真实输出或无噪输出),以致标准辨识算法无法应用.提出了利用输出估计代替系统真实输出的辨识思想,即通过估计模型预测(估算)系统输出,利用这个估计输出来递推计算系统参数,进而提出了基于输出估计的随机梯度辨识算法,并研究了算法的收敛性,给出了仿真例子.

滤波辨识(4):方程误差自回归系统的滤波广义迭代参数估计

受控自回归自回归模型也称为方程误差自回归模型。利用采集的批量数据和迭代搜索,论文基于滤波辨识理念,研究和提出了方程误差自回归系统的滤波广义梯度迭代辨识方法、滤波多新息广义梯度迭代辨识方法、滤波广义最小二乘迭代辨识方法、滤波多新息广义最小二乘迭代辨识方法。这些滤波广义迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

非均匀采样系统多新息随机梯度辨识性能分析

针对一类非均匀采样系统,提出了其输入输出表达的多新息随机梯度辨识方法.该方法将随机梯度算法中的新息项扩展为向量,有效利用了历史新息所包含的信息,从而提高辨识精度和算法的收敛速度,同时又保留了随机梯度算法计算量小的优点.仿真例子通过改变新息长度,验证了所提出辨识算法性能的优越性.

系统辨识在伺服系统动态特性测试中的应用

将系统辨识引入伺服系统的测试中,采用多新息随机梯算法辨识出系统的传递函数。通过由辨识得到的传递函数来计算系统的阶跃响应特性和频率特性,既减少了测试项目,又提高了效率。基于舵机系统的测试需求完成了测试实验,与传统测试方法相比幅频特性误差小于0.39 d B,相频特性误差小于4.9°,上升时间的误差控制在6.29%以下,实验结果表明,通过系统辨识来计算伺服系统性能指标取得了良好的测试效果。