多输入多输出变量带误差模型的最坏情况频域辨识（英文）

本文将单输入单输出(SISO)变母带误差(EIV)模型的频域最坏情况辨识方法推广应用于多输入多输出(MIMO)情况.类似于SISO情况,多输入多输出变量带误差(MIMO EIV)模型的辨识模型集合由估计的系统名义模型及其最坏情况误差界描述.所估计的系统名义模型表征为正规右图符号,其最坏情况误差界具有可能的更少保守性,可利用EIV模型的先验信息和后验信息由v-gap度量量化得到.因此,这种模型集合非常适合于后期利用Vinnicombe提出的H。。回路成形法设计鲁棒控制器.最后,利用一数值仿真实例验证所提出辨识方法的有效性.

加权总体最小二乘方法在ITRF转换中的应用

针对ITRF转换中,两套坐标系下的点坐标值均存在误差,且各点之间精度不等、甚至相关的情况,提出利用加权总体最小二乘方法对转换参数进行解算。通过模拟数据和真实数据的解算证明了加权总体最小二乘方法在ITRF转换中的适用性,与其他方法相比,利用加权总体最小二乘方法能够得到准确的、更为合理的转换参数。

病态加权总体最小二乘的广义岭估计解法

针对加权情形下的变量误差(EIV)模型,采用广义岭估计法处理总体最小二乘平差的病态性问题.结合最优化准则和协方差传播率推导了未知参数的改正数求解公式;根据参数估计值的均方误差最小化原理,通过求偏导数列出广义岭估计中岭参数的迭代解式,并讨论了广义岭参数的含义和作用,给出了确定岭参数的L-曲线法.通过算例比较分析了加权最小二乘估计、总体最小二乘估计、加权最小二乘岭估计、总体最小二乘岭估计、加权最小二乘的广义岭估计和总体最小二乘广义岭估计,叙述了加权总体最小二乘的广义岭估计的优缺点.

基于主成分分析和噪声估计的在线子空间辨识

提出一种在线子空间辨识方法,该方法主要采用Hessenberg QR分解和特征值分解,通过对噪声项进行估计,并结合主成分分析提取子空间矩阵,获得系统的状态空间方程.引入遗忘因子机制,实现对时变系统的辨识.为了验证所提方法的适用性和有效性,分别采用数值模型和工业污水处理过程进行仿真验证.仿真结果表明,相比于其他子空间辨识方法,所提方法在辨识线性时不变系统时,能够获取很好的辨识精度;在辨识线性时变系统时,能够快速跟踪系统变化,并能够获取较好的辨识精度。