类多变量方程误差类系统的递阶多新息辨识方法

根据递阶辨识原理,研究了类多变量方程误差系统和类多变量方程误差ARMA系统递阶随机梯度方法和递阶梯度迭代方法、递阶最小二乘方法和递阶最小二乘迭代方法.进一步利用多新息辨识理论,推导了递阶多新息梯度辨识方法和递阶多新息最小二乘辨识方法.为减小计算量,推导了基于滤波的类多变量方程误差ARMA系统递阶辨识方法和递阶多新息辨识方法.讨论了几个典型辨识算法的计算量,并给出了计算参数估计的步骤.

输出非线性方程误差类系统递推最小二乘辨识方法

随着控制技术的发展,控制对象的规模越来越大,使得辨识算法的计算量也越来越大.对于结构复杂的非线性系统,特别是包含未知参数乘积的非线性系统,使得过参数化辨识方法的参数数目大幅度增加,辨识算法的计算量也急剧增加,因此探索计算量小的参数估计方法势在必行.针对输出非线性方程误差类系统,讨论了基于过参数化模型的递推最小二乘类辨识方法;为减小过参数化辨识算法的计算量和提高辨识精度,分别利用分解技术和数据滤波技术,研究和提出了基于模型分解的递推最小二乘辨识方法和基于数据滤波的递推最小二乘辨识方法.最后给出了几个典型辨识算法的计算量、计算步骤、流程图.

类多变量输出误差系统的耦合多新息辨识方法

辅助模型辨识思想、多新息辨识理论、耦合辨识概念是研究复杂多变量系统辨识的新理念和原理.将它们结合起来研究类多变量输出误差系统的辨识问题,提出了多元辅助模型辨识方法、多元辅助模型多新息辨识方法、变递推间隔多元辅助模型多新息辨识方法.为减小算法的计算量和提高参数估计精度,将系统模型分解为一些子辨识模型,应用辅助模型辨识思想、多新息辨识理论、耦合辨识概念,研究和推导了部分耦合辅助模型辨识方法、部分耦合辅助模型多新息辨识方法.讨论了几个典型辨识算法的计算量,给出了参数估计的计算步骤和计算流程图.

多元伪线性回归系统部分耦合多新息随机梯度类辨识方法

针对多元伪线性滑动平均系统,讨论了多元增广随机梯度算法,为减小算法的计算量,将系统分解为一些子系统,给出了子系统增广随机梯度算法,利用耦合辨识概念和多新息辨识理论,推导了部分耦合(子系统)增广随机梯度算法、部分耦合(子系统)多新息增广随机梯度算法.进一步将提出的方法推广到多元伪线性自回归滑动平均系统,给出了部分耦合(子系统)广义增广随机梯度算法、部分耦合(子系统)多新息广义增广随机梯度算法.文中分析了多元增广随机梯度算法、部分耦合增广随机梯度算法、部分耦合多新息增广随机梯度算法的计算量.

多变量方程误差类系统的部分耦合迭代辨识方法

针对多变量方程误差滑动平均系统,利用最小二乘原理和迭代搜索原理,给出了增广随机梯度辨识方法、递推增广最小二乘辨识方法、梯度迭代辨识方法和最小二乘迭代辨识方法.针对多变量方程误差滑动平均系统和多变量方程误差自回归滑动平均系统,将多变量系统分解为一些子系统,利用耦合辨识概念,讨论了梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、子系统最小二乘迭代方法和部分耦合子系统最小二乘迭代辨识方法.进一步结合数据滤波技术,研究了多变量方程误差自回归滑动平均系统的子系统梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、部分耦合子系统最小二乘迭代辨识方法.文中给出了几个典型算法的计算步骤.

多元系统耦合多新息随机梯度类辨识方法

针对多元线性回归系统,利用耦合辨识概念和多新息辨识理论,讨论了多元随机梯度算法、多元多新息随机梯度算法,以及变递推间隔多元多新息梯度算法,进一步分解多元系统为一些子系统,给出了耦合子系统随机梯度算法、耦合随机梯度算法、耦合子系统多新息随机梯度算法、耦合多新息随机梯度算法,并将这些方法推广到多元伪线性滑动平均系统和多元伪线性自回归滑动平均系统.文中给出了几个典型耦合随机梯度算法、耦合多新息随机梯度算法的计算步骤和示意图.

输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.

线性参数系统的多新息辨识方法

系统有线性和非线性之分.线性系统有统一的描述形式,非线性系统因类别无数,不可能有统一描述.线性参数系统是一类特殊的非线性系统,它在参数空间上呈现线性特征,介于线性系统与非线性系统之间.针对伪线性参数系统,讨论了基于辅助模型的多新息辨识方法、基于滤波的辅助模型多新息辨识方法、基于模型分解的辅助模型多新息辨识方法、基于滤波的分解多新息辨识方法,并给出了几个典型辨识算法的计算量、计算步骤和流程图.

输入非线性方程误差系统的多新息辨识方法

针对输入非线性方程误差系统,即输入非线性受控自回归系统,研究了基于过参数化模型的多新息辨识方法和基于过参数化模型的递阶多新息辨识方法;研究了基于关键项分离原理的多新息辨识方法;使用辨识模型分解技术,研究了基于关键项分离原理的两阶段多新息辨识方法和三阶段多新息辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算量、计算步骤和流程图.

辅助模型辨识方法(2):输入非线性输出误差系统

针对具有已知基的输入非线性输出误差系统,提出了基于过参数化模型的辅助模型递推辨识方法和辅助模型递阶辨识方法,提出了基于关键项分离的辅助模型递推辨识方法、基于关键项分离的辅助模型两阶段辨识方法和辅助模型三阶段辨识方法,提出了基于双线性参数模型分解的辅助模型随机梯度算法和基于双线性参数模型分解的辅助模型递推最小二乘算法,并给出了几个典型辨识算法的计算量、计算步骤.这些算法的收敛性分析都是需要研究的辨识课题.

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.

方程误差系统的多新息辨识方法

多新息方法可以用于线性系统和非线性系统的自适应滤波、参数估计、自校正控制、自适应故障检测与诊断等.线性系统包括两种基本类型:方程误差类系统和输出误差类系统.本文将多新息辨识应用到方程误差滑动平均(EEMA)系统(即CARMA系统),研究多新息增广随机梯度算法和多新息增广最小二乘算法,应用到方程误差自回归滑动平均(EEARMA)系统(即CARARMA系统),提出基于分解的多新息广义增广随机梯度算法和基于分解的多新息广义增广最小二乘算法,以及基于滤波的多新息广义增广随机梯度算法和基于滤波的多新息广义增广最小二乘算法.

输出误差系统的多新息辨识方法

研究了输出误差(OE)系统和输出误差自回归滑动平均(OEARMA)系统(即Box-Jenkins系统)的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法、辅助模型多新息最小二乘算法,输出误差系统的修正辅助模型随机梯度算法、遗忘因子辅助模型随机梯度算法、变递推间隔辅助模型随机梯度算法、变递推间隔辅助模型多新息随机梯度算法、变递推间隔辅助模型递推最小二乘算法等,以及输出误差自回归(OEAR)系统的基于滤波的辅助模型多新息广义随机梯度算法和基于滤波的辅助模型多新息广义最小二乘算法.

辅助模型辨识方法(5):最小二乘辨识

借助于辅助模型辨识思想,针对白噪声干扰的输入非线性有限脉冲响应系统,研究了辅助模型最小二乘辨识方法、辅助模型多新息最小二乘辨识方法、变递推间隔辅助模型最小二乘辨识方法、变递推间隔辅助模型多新息最小二乘辨识方法、等递推间隔辅助模型多新息最小二乘辨识方法,以及有限数据窗最小二乘辨识方法,包括引入加权因子(加权矩阵)、遗忘因子得到的一些相应辨识方法.

辅助模型辨识方法(1):自回归输出误差系统

研究了自回归输出误差(AR-OE)系统的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法,自回归输出误差自回归滑动平均(AR-OEARMA)系统(即AR-BoxJenkins系统)的辅助模型广义增广随机梯度算法、辅助模型多新息广义增广随机梯度算法、辅助模型递推广义增广最小二乘算法,以及AR-Box-Jenkins系统的基于滤波的辅助模型广义增广随机梯度算法、基于滤波的辅助模型多新息广义增广随机梯度算法、基于滤波的辅助模型递推广义增广最小二乘算法等.

辅助模型辨识方法(4):基本思想与梯度辨识

辅助模型辨识思想是针对系统存在一些不可测变量的辨识问题提出的,它是研究含有未知变量的线性系统、非线性系统辨识的重要手段.本文阐述了辅助模型辨识思想,针对白噪声干扰的输入非线性有限脉冲响应系统,研究辅助模型梯度辨识方法、辅助模型多新息梯度辨识方法、变递推间隔辅助模型多新息梯度辨识方法,以及派生的变递推间隔辅助模型梯度辨识方法、等递推间隔辅助模型梯度辨识方法和等递推间隔辅助模型多新息梯度辨识方法.

辅助模型辨识方法(6):性能分析

辨识方法的性能分析是系统辨识领域的重要而困难的研究课题.新的辨识方法一诞生,就伴随着收敛性分析.辅助模型辨识是辨识的一个分支,辅助模型辨识方法已成为一大类辨识方法族,关于其收敛性也提出了许多课题.本文研究了输出误差系统辅助模型随机梯度算法、辅助模型递推最小二乘算法、辅助模型多新息随机梯度算法、变间隔辅助模型随机梯度算法和变间隔辅助模型递推最小二乘算法的一致收敛性,近似分析了Box-Jenkins系统辅助模型递推广义增广最小二乘算法的性能.

耦合矩阵方程AX+XB=C,DX+X^TE=F的递度迭代算法

通过应用递阶辨识原理和推广求解矩阵方程AX=b的递度迭代算法,本文给出了求解耦合矩阵方程AX+XB=C,DX+XTE=F的递度迭代算法。分析表明,只要矩阵方程有唯一解,则对任何初始值此算法给出的迭代解都快速收敛到其真实解。一个数值例子表明了此算法的有效性。

耦合矩阵方程AX+XB=C,DX+XE=F的梯度迭代算法

利用递阶辨识原理建立了一种耦合矩阵方程的梯度迭代算法,并给出了算法的收敛性证明。分析表明:在该耦合矩阵方程有唯一解的条件下,迭代解收敛到方程的唯一解,并通过一个数值例子验证了算法的有效性。

系统辨识算法的复杂性、收敛性及计算效率研究

实践中经常会遇到大型计算问题和优化问题,使得求解问题算法的复杂性、计算量和计算精度等成为突出问题,特别是大规模非线性多变量系统的辨识.对此,提出几个有趣的研究课题:1)利用信息滤波技术和多新息辨识理论研究能提高辨识精度的大规模系统辨识理论与方法;2)利用递阶辨识原理研究维数高、变量数目多、计算量小的多变量系统递阶辨识方法;3)利用鞅收敛理论建立非线性多变量系统辨识方法的收敛理论;4)利用并行计算与递阶计算技术提高辨识算法的计算效率,以解决一类大规模非线性多变量系统的模型化问题.