递推阻尼最小二乘法

递推最小二乘法是参数辨识中最常用的方法，但容易产生参数爆发现象．本文推导了一种更稳定的辨识方法——阻尼最小二乘法的递推求解算法．

基于矩阵广义逆递推的自适应滤波算法

本文把自适应滤波算法的优化准则之一最小二乘准则 :J(n) =∑ni=1 λn -i|e(i) |2 写为矩阵形式 ,利用矩阵广义逆递推公式直接对输入信号矩阵而不是自相关矩阵进行递推更新 ,得到一种新的自适应滤波算法 .和其它算法如LMS算法、NLMS算法、FRLS算法、TDNLMS算法、APA算法、Leaky LMS算法和RLS算法进行了计算机模拟仿真比较 ,仿真结果表明该算法有良好的收敛性能 ,收敛速度快于LMS算法、NLMS算法、FRLS算法、APA算法、Leaky LMS算法和RLS算法 .

两电机变频调速系统的改进RLS逆模型辨识

为弥补现有两电机变频调速系统逆模型辨识中存在的不足,提出一种多模型LSSVM逆模型辨识方案.依据多模型思想,利用LSSVM拟合系统局部逆模型中的非线性映射,将各局部逆模型加权输出,建立离线初始逆模型.根据逆模型输出与系统输入的偏差,通过改进的RLS算法自适应调整局部逆模型权值,对初始逆模型在线校正,使其适应对象的变化,提高辨识精度和收敛速度.分析了两电机变频调速系统及可逆性,阐述了改进的RLS算法和LSSVM算法,给出了多模型LSSVM辨识方案的实现步骤,并对辨识效果进行了仿真试验.仿真结果表明,新型辨识方案是可行有效的,适用于两电机变频调速系统的逆模型辨识.

SF与RLS算法结合的时变系统参数辨识

遗忘因子最小二乘算法(RLS)具有对时变系统参数在线估计的能力,而传统的遗忘策略对解决参数辨识矩阵过饱和问题具有一定局限性。为了拓展现有RLS算法在时变系统的适用范围,提出一种将选择遗忘机制(SF)与RLS算法结合的时变系统辨识算法。从而构造出一种基于参数矩阵特征值映射的有界函数,特征值映射函数能够根据系统数据传递过程中信息量的大小动态调整遗忘因子,解决了参数辨识过程中数据分布不均匀问题。仿真结果表明,相比传统的RLS算法,带有选择遗忘机制的RLS算法能够更加准确的跟踪系统参数的变化,同时保证系统不是2N阶持续激励信号的情况下,也能够对时变系统参数进行跟踪。

随机多变量NARMAX模型的非线性递推最小二乘算法

针对随机多变量NARMAX模型存在的问题,基于线性滤波﹑谱分解定理及成型滤波器原理,将随机干扰等效在系统的输出端,提出改进的随机多变量NARMAX模型。基于辅助模型的原理,在参数估计的准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广递推最小二乘算法和随机非线性递推最小二乘算法,将改进的多变量NARMAX模型转换为具有耦合的子系统,给出具有遗忘因子的,能克服算法病态的,适用于具有时变参数模型的改进随机多变量NARMAX模型的非线性递推最小二乘算法。应用在线修正参数预测滤波PID控制,仿真结果验证了算法的有效性。