内部更新多新息梯度的Wiener系统盲辨识

针对Wiener系统信息未知和多新息长度约束辨识精度问题,提出一种行列式定阶法和基于内部更新多新息梯度辨识方案。首先,基于参数分离技术,构造线性和非线性参数无交叉乘积项的辨识模型。其次,利用参考模型思想和系统数据推导确定系统阶次的行列式比方法,简化盲辨识算法设计复杂度。借鉴内部更新理论,首次将给定多新息参数更新分解为多个子新息内部参数更新,解决新息长度限制辨识性能问题,提高辨识的精度。最后,对比例子和理论分析结果,证明了所提辨识方案的有效性和较好的辨识性能。

含有间隙的Wiener系统的非光滑卡尔曼滤波的状态估计

由于间隙具有记忆和多值映射的非光滑非线性特性,使得含有噪声的Wiener系统的状态估计变得比较复杂。本文在传统卡尔曼滤波的基础上进行改进,得到一种新的带有切换函数的非光滑卡尔曼滤波器来解决Wiener系统在工作时的噪声干扰问题。在输入信号以及所有参数都相同的条件下,分别用传统的卡尔曼滤波器和带有切换函数的非光滑卡尔曼滤波器对含有噪声的Wiener系统进行状态估计。仿真结果表明,传统的卡尔曼滤波器由于没有考虑间隙的特性,对系统状态估计误差要大于带有切换函数的卡尔曼滤波器对系统状态估计的误差值。因此,非光滑的卡尔曼滤波器对含有噪声的Wiener系统状态估计具有更为准确的效果。

Wiener系统的变聚点样条逼近递推贝叶斯算法

为了辨识过程噪声干扰的Wiener非线性系统,提出了一种基于三样条函数逼近的递推贝叶斯算法.众所周知,传统的多项式逼近具有不能外推、高阶易震荡等缺点.为了克服这些缺点,首先利用三样条函数对Wiener系统的非线性反函数进行逼近,在此基础上将待辨识系统参数化为伪线性回归系统.然后把估计到的噪声方差融入算法,接着使用递推贝叶斯算法对参数进行了估计.为了提高三样条函数对非线性反函数的逼近能力,一种基于均值的变聚点选择方法被应用于算法.文中还对算法的收敛性进行了分析,并用数值仿真和案例建模验证了算法的有效性.

Wiener系统中线性函数辨识的渐近性分析

针对Wiener系统中的两类未知参数以相互结合的形式出现在非线性函数中,通过预测误差法辨识此两类未知参数,进而确定Wiener系统中线性部分的系统对象模型的渐近方差矩阵形式。在白噪声激励的作用下,推导出Wiener系统中线性部分的渐近方差表达式。此渐近方差表达式中不包含有模型阶数的存在,其利用某个由正交基构成的生成核函数来替换原模型阶数,使得在已知某些先验信息知识的前提下,该渐近方差式能更精确地接近于各自对应的真实采样值。最后用仿真算例验证本文方法的有效性和可行性。

Wiener系统辨识中有限阶次的渐近性分析

在白噪声和有色噪声激励下,分别推导出Wiener系统线性部分的渐近方差式.在有色噪声激励下,添加对噪声模型的渐近分析.利用由正交基构成的生成核函数替换模型阶数,得到的两渐近方差式能更精确地接近于对应的真实采样值.根据渐近方差矩阵,建立以输入功率谱为变量的优化问题.通过求解带约束条件的优化问题得到Wiener系统中最优输入信号的功率谱密度.最后用仿真算例验证本文方法的有效性.

一种Hammerstein-Wiener系统的递归辨识算法

针对含有过程噪声的Hammerstein-Wiener系统,本文提出一种递归辨识算法用于系统的在线辨识.首先使用多项式函数对系统非线性部分进行严格参数化,在此基础上以参数误差平方和的期望值最小为目标函数,推导出参数估计的递归更新公式,避免了过程噪声对辨识结果的影响.通过对算法进行深入分析,得到参数一致收敛的条件,并给出算法中重要系数的设定方法,使参数收敛域得到扩大.与传统两阶段法的数值仿真比较验证了该方法的优越性.

Wiener系统的混沌引力搜索迭代辨识

Wiener非线性系统是由动态线性子系统串联非线性静态子系统而成,被广泛应用于自动控制、化工、电气等领域。考虑Wiener输出误差自回归(Wiener Output Error Autoregressive,Wiener OEAR)系统的辨识问题,提出了一种混沌引力搜索迭代辨识算法,通过在引力搜索算法中引入混沌优化机制来估计Wiener OEAR系统的未知参数,并证明了所提出的算法的收敛性。为证明所提辨识算法的有效性,采用了引力搜索算法和梯度迭代算法对该系统进行辨识。仿真结果表明:3种算法能够有效地对Wiener OEAR系统进行辨识,混沌引力搜索迭代辨识算法在参数估计精度方面要优于引力搜索算法和梯度迭代算法。

基于多新息算法的阶次未知的Wiener系统参数估计

针对阶次未知Wiener系统辨识模型过参数问题和最小二乘精度低的问题,提出一种行列式比确定阶次和基于分解技术的多新息最小二乘估计方案。首先,利用系统数据构造数据矩阵,利用行列式比方法估计系统的阶次;然后,利用分解技术将线性模块代入到非线性模块的特定项中,建立线性参数和非线性参数相互分离的估计模型,减少算法的计算量;其次,设计参考模型处理估计模型中存在的未知的内部变量,使内部变量转化为间接可测的变量;最后,采用一定的新息长度修改标量新息为多新息,提高估计算法的性能。通过分析不同噪声和不同新息长度对所提出算法的影响,验证该算法的鲁棒性和有效性。仿真结果表明,所提出的估计方案在估计精度和收敛速率上都优于递归最小二乘方法。

基于输入预测误差的Wiener系统结构和参数辨识

为了辨识Wiener系统的结构和参数,提出了一种结构等效逆变换,将两个子模型的参数乘积项转化为两个子模型的参数求和.该变换不仅避免了参数乘积项的出现,而且减小了算法计算量;针对变换后系统的特点,提出了一种输入预测误差准则用于参数估计;基于输入预测误差准则,提出了一种最小二乘算法来辨识Wiener系统的参数.数值仿真验证了算法的有效性.

含过程噪声Wiener系统的递推两阶段参数估计

Wiener系统属模块化非线性系统,由一个线性动态模块串联一个非线性静态模块组成,因其结构简单、实用性强,在非线性系统建模中得到广泛应用.最小二乘算法估计过程噪声扰动的Wiener系统时会带有偏估计.为了获得无偏估计,本文提出了一种递推两阶段参数估计算法.首先用FIR函数和多项式函数分别逼近系统的动态传递函数和静态反函数,随后运用递推最小二乘算法和递推辅助变量算法进行参数估计,其中的辅助变量由第一阶段的辨识结果计算得到.研究结果表明,提出的递推两阶段参数估计算法可以得到待辨识Wiener系统的无偏估计,数值仿真验证了该算法的有效性.

一类Wiener系统的动态环节的阶次辨识算法

Wiener系统的结构特点,使得其线性动态环节的输出不可测量,导致现有方法无法直接用于Wiener非线性系统的线性环节的定阶。为了准确确定一类Wiener系统包含的FIR函数的阶次,提出了一种残差曲线斜率法。该方法基于残差曲线的斜率来获得FIR的阶次。并且,该方法在不进行参数辨识的基础上,仅利用测量到的输入输出输出数据,来获得FIR的阶次。该算法既减小了计算量,也提高了定阶准确度。数值仿真验证了算法的有效性。

一类Wiener非线性时变系统的迭代学习辨识

针对Wiener非线性时变系统的参数辨识问题,该文提出一种基于重复轴的迭代学习算法来实现对时变甚至突变参数的估计。文中将维纳系统输出非线性部分的反函数进行多项式展开,进而构造了回归模型,未知参数及中间变量用其估计替代,分别给出了采用迭代学习梯度算法和迭代学习最小二乘算法实现时变参数辨识的方法。仿真结果表明,与带遗忘因子的递推算法和迭代学习梯度算法相比,迭代学习最小二乘算法更具有参数估计收敛速度快,辨识精度高,系统输出误差小等优势,验证了所提学习算法的有效性。

多输入多输出Hammerstein和Wiener系统的适应调节

研究多输入多输出Hammerstein系统和Wiener系统的适应调节,系统输入维数不超过输出维数,并且量测带有加性噪声.首先证明了最优调节控制的存在性,接着构造了基于扩展截尾随机逼近(SAAWET)算法的适应调节控制,并证明了调节误差在一定条件下达到最小,最后通过数值仿真验证了理论结果.

子系统为ARMA和分段线性函数的Wiener系统的参数辨识

本文研究ARMA线性子系统串联分段线性函数的Wiener系统的递推辨识问题.利用相关分析法和Yule-Walker方程给出线性部分参数的递推辨识算法,而对非线性部分参数用递推的最小二乘(LS)算法给出估计,并证明了这些算法都以概率1收敛到真值.

基于Lag-SBP的Wiener型非线性系统的辨识方法

给出了Wiener型非线性系统的一种新的辨识方法。采用Laguerre函数与静态BP网络相结合构成Wiener型非线性系统的模型,并给出此模型参数递推辨识算法。这种模型参数辨识不需要实际系统的阶次和时延先验知识,对实际系统阶次和时延变化有较强的鲁棒性。数字仿真验证了该方法的有效性。

一类广义Wiener非线性系统的参数辨识算法

传统的Wiener系统在工业系统建模方面获得了大量应用,但是当系统含有动态非线性环节时,就会因为模型不匹配导致建模效果不佳。为了更好的对这类系统进行建模,必须将传统Wiener系统中的静态非线性模块扩展为动态非线性形式。在采用全新结构的基础上,基于关键项分离技术参数化系统以减小算法计算量,并避免出现参数乘积项;对数据进行滤波以获得参数的无偏估计;运用最小二乘算法以获得健壮的参数估计值。数值仿真表明了算法的有效性。

基于偏差补偿递推最小二乘的Hammerstein-Wiener模型辨识

许多实际系统可以表示成一种中间为线性动态环节、输入输出端为非线性静态环节的Hammerstein-Wiener模型.针对含过程噪声的Hammerstein-Wiener模型,提出一种改进在线两阶段辨识方法.第一步采用偏差补偿递推最小二乘法在线辨识含原系统参数乘积项的参数向量.通过在递推最小二乘算法中引入一个修正项,补偿过程噪声引起的估计偏差.第二步采用基于张量积逼近的奇异值分解法分离出原系统各参数的值.通过引入两个矩阵的张量积逼近加权最小二乘的权系数,提高参数分离精度.理论分析和计算机仿真验证了本文方法的有效性.

随机系统的递推辨识:从个例到一般框架

本文考察Hammerstein系统、Wiener系统和非线性带外源输入的自回归系统(autoregressive system with exogenous input,ARX)等常见的随机非线性系统的递推辨识和因特网PageRank的分布式、随机化算法.对非线性系统分别构造递推辨识算法,证明了估计的强一致性;对因特网PageRank的分布式、随机化算法,给出估计的强一致性和收敛速度;在此基础上,总结了这类问题的统一处理框架–将辨识(估计)问题转化为函数求根、进而基于随机逼近构造算法得到强一致的递推辨识;最后,通过数值例子来验证算法的有效性.

几类典型随机非线性系统的辨识

考察实际中常见的三类典型随机非线性系统(即Wiener、Hammerstein和NARX系统)的辨识,首先概述了现有的递推和非递推辨识算法,然后介绍这三类系统的一个统一辨识框架:利用系统所确定的过程的马氏性及混合型,将辨识转化为求函数零点的问题,基于扩张截尾的随机逼近算法,得到了递推、强一致的辨识结果,并给出了数值模拟验证辨识算法收敛到真值.

非线性块结构系统辨识的辅助变量方法

考察了单输入单输出的Wiener系统、Wiener-Hammerstein系统和多输入多输出的Wiener系统等块结构(Block-oriented)非线性系统的辨识中辅助变量方法的运用.首先概述已有的块结构系统的辨识方法及其发展现状,以及需要进一步研究的问题.随后分别介绍基于这几类系统的辅助变量辨识方法的基本思想和分析方法,并运用截尾扩张的随机逼近算法给出具体的递推算法和相关收敛性结果.最后给出仿真例子以说明收敛结果的有效性.