非均匀采样系统的一种递推辨识方法

在非均匀采样系统辨识方法中,通常利用重采样、数值积分等方法来处理非均匀采样数据,所用模型多为连续有理分式传递函数,在递推形式下非均匀采样对象又常局限于"数据缺失"的情况.本文研究更为一般的异步非均匀采样的多变量系统,采用连续时间状态空间模型描述,推导了模型参数、参数梯度和系统状态之间的相互递推关系,构成一种可变迭代间隔的递推辨识算法,在每次输出采样点上仅更新模型中受当前采样数据影响的参数.这种辨识方法可以适用于任意非均匀采样系统,多采样率系统也可作为一种特例适用于本算法.仿真结果表明,所提的方法是可行有效的.

线性回归模型中的递推辨识及其应用

因机械系统振动响应离散差分方程可以改写为关于结构模态参数的线性回归形式,对于此线性回归形式中的结构模态参数的辨识问题可转化为系统辨识理论中线性回归模型的未知参数矢量的辨识估计问题。当系统对象在白噪声激励下,常规的最小二乘辨识法可以给出参数估计的无偏估计。当系统对象在有色噪声作用下,在常规最小二乘辨识法的基础上提出一种新的可分离迭代最小二乘辨识法。在缺乏关于噪声的统计先验信息,仅有噪声为未知但有界的情况下,提出一种带死区的最小二乘辨识法,该辨识法不仅能给出未知参数矢量的一致性无偏估计,而且还能保证参数估计值逐渐向真值靠拢,任何相邻两估计值之间的逼近程度远远小于噪声的上界。在有界噪声出现的情况下,该算法的鲁棒性可以通过在参数修正方程中引入死区的方法来增强。最后用理论上的仿真算例和弹簧-质量-阻尼系统的振动响应来验证两方法的有效性和可行性。

一种复杂系统的模糊模型结构及递推辨识方法

提出了一种复杂系统的模糊模型结构及辨识方法．该模糊模型利用系统的输入和输出数据，将输入和输出空间视为模糊空间．根据辨识精度将模糊空间划分为ｍ 个子空间，每个子空间由线性模型来表征．由隶属函数将子空间模型联接成全局模型来表征系统的整体特性．隶属函数和子空间的模型参数由递推辨识方法实现．仿真结果表明。

复杂系统的C-R模糊模型结构及递推辨识算法

实际系统一般都表现出非线性和多模态等特征，往往难于用机理建模的方法建立它的模型，因此利用系统的输入和输出数据的非机理建模方法，在实际工程中是非常有意义的。文中提出了复杂系统的Ｃ－Ｒ模糊模型结构及辨识方法。该模糊模型利用系统的输入和输出数据，将输入和输出空间视为模糊空间。根据辨识精度将模糊空间划分为ｍ个子空间，每个子空间由线性模型来表征，由隶属函数将子空间模型联接成全局模型来表征系统的整体特性。隶属函数和子空间的模型参数由递推辨识方法来实现。仿真结果表明，这种模型结构可以表达复杂系统的特征，且辩识算法的有效性。

CAR模型的递推辨识

本文将加权最小二乘法和限定记忆两种辨识方法相综合，给出了带控制输入的自回归模型未知参数的递推估计算法。结果表明：该估计算法是前两种估计方法的推广。

一类有色噪声干扰随机系统最小二乘递推辨识

提出一类有色噪声干扰随机系统的辅助模型最小二乘递推辨识算法.此算法结合辅助模型辨识思想和递推增广最小二乘理论,用辅助模型的输出代替辨识模型信息向量中未知中间变量,用估计残差代替信息向量中不可测噪声项,从而可以运用递推辨识思想来估计系统所有参数,包括噪声模型参数.仿真例子说明提出算法的有效性.

空心圆柱试样试验仪及其递推辨识建模

介绍了空心圆柱试样试验仪的总体结构及加载原理，以及在连续加载试验的条件下系统定量分析所必须解决的系统建模等问题的重要性，简述了采用递推增广最小二乘法对随机、时变和非线性系统实现在线、实时递推辨识建模的原理和以ＩＢＭ－ＰＣ／ＸＴ计算机为核心实现计算机辅助递推辨识的原理和方法、递推辨识系统的硬件构成以及为提高递推辨识速度和精度在软件过程中采用的处理技术，讨论了该递推辨识系统在空心圆柱试样试验仪控制试验中的应用及其实际效果。

线性系统的循环估计递推辨识算法

本文提出了多输入系统的循环估计递推辨识的新算法,并对其收敛性进行了探讨。仿真结果表明,该算法有较快的收敛性。

Hammerstein系统递推辨识的自适应算法

采用最小二乘支持向量回归对Hammerstein系统进行辨识缺乏稀疏性,且模型不易递推.提出一种基于输出预报误差的Hammerstein模型自适应稀疏递推辨识算法.根据分块矩阵对模型进行递推运算,基于系统输出预报误差的结果,自适应调整算法的辨识步骤,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性.仿真结果表明,与常规的递推算法相比,该自适应算法能够在保证辨识精度的情况下,有效稀疏和简化模型,提高算法的鲁棒性和辨识效率,更加符合系统在线辨识的需要.

非线性输出误差模型的两阶段递推辨识算法

输入非线性系统的输出误差模型在实际工业生产中是一类常见模型,针对含有色噪声的输出误差模型提出基于辅助模型的两阶段递推增广最小二乘算法。根据辅助模型思想和分解技术,将复杂的非线性辨识系统分解为系统模型和噪声模型子系统,再根据最小二乘思想分别辨识,其中噪声信息向量中存在的不可测噪声项用其估计值代替。最后与递推增广最小二乘算法在参数估计精度和收敛速度的比较,验证算法在此类模型应用的有效性,仿真结果表明该算法精度高,收敛速度快,计算量小。

一类递推辨识算法的评价和比较

本文对递推伪线性回归辨识算法结构进行了描述和比较。分析了各种输出值估计法对递推算法行为的影响,从而得到了使算法县有良好鲁棒性的一个条件以及算法一致收敛的充分条件。文中还列出了9个算法的仿真比较结果,验证了分析结论。

相对阶的递推辨识

首先给出相对阶与输入－输出相关函数之间的关系，然后给出线性时不变控制系统的相对阶的递推辨识方法，并把结果扩展到多变量系统。

分段多项式逼近的递推辨识研究

通过对Hammerstein系统非线性系统辨识的研究,Hammerstein模型中的非线性稳态函数用一族分段的多项式函数来逼近。辨识的主要方法是用噪声项的估计值来代替信息矢量中的噪声项,利用可获得的参数估计值来计算噪声中的估计值。辨识方法分为两步:第一步采用增广的随机梯度法,辨识模型中的部分未知参数;第二步在奇异值分解(SVD)的基础上,提出一种新的方法来辨识模型中剩余的未知参数。通过实验仿真,论证了本文提出方法的有效性。

一种递推辨识算法

根据最小二乘预报误差的变化规律,本文给出一种能在线同时辨识系统阶数和参数的递推算法——递推预报误差法。

平滑l_1模递推辨识算法

通过对ｌ１模指标的平滑处理，构造了平滑近似指标下的递推辨识算法．这种算法实时计算负担小，且具有良好算法性质．数值仿真结果表明，它仍蕴含原指标意义下的鲁棒估计性质．

递推辨识中的U-D分解算法

本化研究了递推辨识算法的一种代数等价实现——U—D 分解算法。其基本思想就是将方差矩阵分解成三个矩阵乘的积形式:P(y)=U(y)D(t)U^T(t)其中 U(t)为单位上三角矩阵,U(t)为非负对角矩阵。并在每步递推计算时,用其因子矩阵U(t)与 D(t)的更新来代替方差矩阵 P(t)的直接递推。这样,就可以在计算量基本不变的情况下,有效地保证方差矩阵的对称性,正定性,从而获得较好的数值特性。大量的数值仿真研究表明:这种算法的数值稳定性好,计算机的舍入误对估计精度的影响较小,因此该算法的计算精度较差,以利用在有限字长的微型机上实现自适应控制时,提高系统参数实时辨识的精度。

有色噪声系统的迭代辨识与递推辨识方法仿真比较研究

针对ARARX模型(即动态调节模型),提出了分别辨识系统模型参数向量和噪声模型参数向量的新型最小二乘迭代辨识方法。其基本思想是:通过极小化一个信息矩阵中含噪声项的准则函数,导出两个参数向量的最小二乘估计式,进一步将估计式中信息矩阵所含的未知噪声项用其迭代估计代替,而其迭代估计又用前一次迭代的参数估计进行计算。在每步迭代计算中,二者执行了一个递阶计算过程。与滤波式递推广义最小二乘算法相比,提出的迭代算法也可用于在线辨识,而且在每一步迭代计算中,反复利用了系统可测数据信息,因而能够获得高精度参数估计。仿真例子证实了理论研究结果。

非线性动态调节模型的滤波式递推辨识算法

针对Hammerstein非线性动态调节模型提出一种基于数据滤波的递推广义最小二乘算法,方法的主要思想是:通过数据滤波,将辨识模型分解成系统模型和噪声模型,然后分别辨识。最后给出两种方法的仿真实例,通过与递推广义最小二乘算法参数估计精度和收敛速度的比较,来说明滤波式递推广义最小二乘算法的有效性。

一种能同时获得模型阶次和参数的递推辨识算法

对SISO线性差分方程模型,可以构造一种新的数据乘积矩矩阵,称信息压缩阵.对信息压缩阵进行递推UD分解,便得到一种新的递推辨识算法,它能在每步递推中同时得到模型的阶次和参数,从而降低了辨识过程的计算量.该方法还同时具有良好的数值计算品质.

拟线性对称超松弛形两步递推辨识算法

本文提出一种线性系统拟线性对称超松弛形两步递推辨识新算法,并对其收敛性应用常微分方程的方法进行了分析,仿真结果表明算法和本文的收敛定理是一致的。