针对含缺失数据的变量带误差(EIV)系统,直接利用协方差匹配(CM)算法进行辨识的精度有限,为此提出一种协方差匹配迭代(covariance matching based iterative,CMI)算法。首先基于不完整数据集,利用CM算法获得模型参数的初始估计,然后采用...针对含缺失数据的变量带误差(EIV)系统,直接利用协方差匹配(CM)算法进行辨识的精度有限,为此提出一种协方差匹配迭代(covariance matching based iterative,CMI)算法。首先基于不完整数据集,利用CM算法获得模型参数的初始估计,然后采用交互估计理论,利用获得的参数计算缺失输出数据的估计,重构得到完整的数据集后再进一步利用CM算法更新参数估计。两者执行了递阶计算过程,通过迭代辨识逐步提高参数估计精度。仿真结果表明,CMI算法的参数估计误差在输出数据缺失率达到60%时仍然能够保持在2%以下,且随输入端和输出端噪信比的变化速率仅为CM算法的16.8%和10.8%,验证了所提算法具有较高的辨识精度和良好的鲁棒性。展开更多
本文提出一种基于UD(upper-diagonal)分解与偏差补偿结合的辨识方法,用于变量带误差(errors-in-variables,EIV)模型辨识.考虑单输入单输出(single input and single output,SISO)线性动态系统,当输入和输出含有零均值、方差未知的高斯...本文提出一种基于UD(upper-diagonal)分解与偏差补偿结合的辨识方法,用于变量带误差(errors-in-variables,EIV)模型辨识.考虑单输入单输出(single input and single output,SISO)线性动态系统,当输入和输出含有零均值、方差未知的高斯测量白噪声时,该类系统的模型参数估计是一种典型的EIV模型辨识问题.为了获得这种EIV模型参数的无偏估计,本文先推导出最小二乘模型参数估计偏差量与输入输出噪声方差以及最小二乘损失函数与输入输出噪声方差的关系,然后采用UD分解方法递推获得模型参数估计值,再利用输入输出噪声方差估计值补偿模型参数估计偏差,以此获得模型参数的无偏估计.本文还讨论了算法实现过程中遇到的一些问题及修补方法,并通过仿真例验证了所提辨识方法的有效性.展开更多
文摘针对含缺失数据的变量带误差(EIV)系统,直接利用协方差匹配(CM)算法进行辨识的精度有限,为此提出一种协方差匹配迭代(covariance matching based iterative,CMI)算法。首先基于不完整数据集,利用CM算法获得模型参数的初始估计,然后采用交互估计理论,利用获得的参数计算缺失输出数据的估计,重构得到完整的数据集后再进一步利用CM算法更新参数估计。两者执行了递阶计算过程,通过迭代辨识逐步提高参数估计精度。仿真结果表明,CMI算法的参数估计误差在输出数据缺失率达到60%时仍然能够保持在2%以下,且随输入端和输出端噪信比的变化速率仅为CM算法的16.8%和10.8%,验证了所提算法具有较高的辨识精度和良好的鲁棒性。
文摘本文提出一种基于UD(upper-diagonal)分解与偏差补偿结合的辨识方法,用于变量带误差(errors-in-variables,EIV)模型辨识.考虑单输入单输出(single input and single output,SISO)线性动态系统,当输入和输出含有零均值、方差未知的高斯测量白噪声时,该类系统的模型参数估计是一种典型的EIV模型辨识问题.为了获得这种EIV模型参数的无偏估计,本文先推导出最小二乘模型参数估计偏差量与输入输出噪声方差以及最小二乘损失函数与输入输出噪声方差的关系,然后采用UD分解方法递推获得模型参数估计值,再利用输入输出噪声方差估计值补偿模型参数估计偏差,以此获得模型参数的无偏估计.本文还讨论了算法实现过程中遇到的一些问题及修补方法,并通过仿真例验证了所提辨识方法的有效性.