基于子空间方法的精馏塔系统辨识建模研究

子空间辨识方法作为一种有效的针对多输入-多输出系统(MIMO)的辨识建模方法近年来受到广泛的重视.目前主要采用的子空间辨识算法只能适用于白噪声环境,而实际的工业现场数据很多是受到较大有色噪声干扰的.针对问题采用了一种新的子空间辨识算法,利用马尔可夫参数用于处理随机性部分,同时引入辅助变量用以去除噪声的干扰,能够适用于存在较大有色噪声干扰情况下的辨识建模,并可得到对象的无偏模型,建模的精度优于通常所采用的子空间辨识算法.通过对精馏塔仿真模型的辨识结果证明了该方法的可行性和有效性,以及在实际工业过程对象建模中良好的应用前景.     

递推子空间模型辨识算法的研究与仿真

为了很好的解决在线辨识系统模型问题，在对子空间模型辨识研究的基础上，结合递推最小二乘算法和子空问状态辨识方法。推导了子空间状态辨识的递推算法。该算法不仅解决了在线辨识问题，而且算法简单，计算方便，很好地克服了在线辨识时子空间矩阵维数的变化问题。经仿真研究表明，该递推算法克服了一次完成算法在大批量数据运算时，耗时大，专用内存多的缺点，而且对于测量和过程均有噪声干扰的多输入多输出系统，有很好的辨识效果，有较为广阔的应用前景。     

子空间盲辨识的改进算法

针对单输入多输出(SIMO)系统模型参数的盲辨识问题进行了研究,基于二阶统计量,提出一类改进的子空间辨识算法.依据协方差阵的秩对该矩阵进行分块,在此基础上考虑了实际系统中存在的噪声误差,利用总体最小二乘(TLS)得到一个与噪声子空间相关的量,最后对该量进行标准正交化,得到了噪声子空间.与传统子空间方法相比,改进算法不需要对协方差矩阵进行特征值分解,可以减弱噪声及不确定因素的影响,减少了运算量,仿真实验结果表明了该算法的有效性.     

有色噪声条件下的子空间辨识改进方法及应用

针对工业生产过程中噪声往往为有色噪声的情况,提出一种改进的子空间辨识方法。传统的子空间辨识方法在系统存在有色噪声时辨识效果不佳,改进方法则采用变换系统模型形式来克服有色噪声对系统的影响,在辨识时直接利用变换系统模型后的数据得到系统较为准确的状态空间模型,实践证明,状态空间模型更适用于工业过程。连续搅拌反应釜（CSTR）系统是一类典型的工业生产系统,将子空间辨识方法应用于CSTR过程的仿真实验,通过比较改进前和改进后的系统预测误差,验证了所提方法的有效性。     

一种基于变因子梯度型PAST 的递推子空间辨识算法

针对传统递推子空间算法采用固定遗忘因子而存在易受噪声干扰等问题,提出一种新的变因子递推子空间辨识算法.该算法首先引入变因子构造和更新输入输出Hankel矩阵以及观测向量;然后利用变因子改进梯度型子空间跟踪算法估计系统的广义能观测矩阵,并由广义能观测矩阵来估计系统矩阵;最后运用系统矩阵的特征值空间欧氏距离信息实现变因子更新步骤,使算法具有自适应性.将所提出算法应用于一类时不变系统和慢变系统模型,数值仿真结果表明该算法跟踪速度较快且跟踪效果良好.     

基于主元分析的子空间辨识算法

子空间辨识算法作为一种优良的多变量系统辨识算法,最近在国内发展很快.但是现在国内介绍的大多数子空间辨识算法在变量有误差(errors-in-variable)时和闭环辨识时辨识结果却是有偏的,这是因为大多数子空间辨识算法都假设输入变量是没有噪声及辨识算法中存在的一个投影过程.文中介绍了一种新的子空间辨识算法,这种算法利用主元分析(PCA)来获取系统矩阵,避免了其他算法中的投影过程,因此该算法在闭环辨识和变量有误差(errors-in-variable)的情况下,辨识结果也是无偏的.最后给出一个仿真例子说明这种辨识算法的辨识效果良好.     

有色噪声干扰下多变量系统的辅助模型辨识方法

针对有色噪声干扰的多输入多输出系统模型辨识问题,提出了多变量系统的FIR辅助模型辨识方法;其辨识思想是把传递函数矩阵中的子模型等价成辅助模型—有限脉冲相应(FIR)模型,然后利用辨识得到的辅助模型估计输出向量的子子模型,最后利用递推最小二乘算法或帕德近似化方法得到子子模型的参数估计,并通过仿真来验证算法的性能。     

闭环子空间辨识方法的分析与比较

在实际应用中,辨识方法的辨识精度和辨识效率一直是人们关注的指标,也是人们选择辨识方法的主要依据。针对多种闭环子空间辨识方法的辨识精度和辨识效率问题的研究,首先归纳和总结了基于正交分解和基于正交投影闭环子空间辨识方法的理论和实现;然后扩展提出了基于正交分解的闭环子空间辨识方法 ORT_POMOESP、ORT_N4SID和基于正交投影的闭环子空间辨识方法 CSOPIM_W2;最后考虑系统输入输出测量噪声,针对过程噪声为白噪声和有色噪声两种情况下,通过仿真算例以数值分析的形式,对比研究了多种闭环子空间辨识方法的辨识精度和辨识效率。该研究不仅对子空间辨识方法应用于实际工业过程的建模具有实际的参考价值,而且对实际工程应用中闭环子空间辨识算法的选用具有一定的指导意义。     

基于正交分解的递推子空间闭环辨识方法

为实现闭环系统在线辨识,提出递推正交分解闭环子空间辨识方法(RORT)。首先,根据闭环系统状态空间模型和数据间投影关系,构建确定-随机模型,并利用GIVENS变换实现投影向量的递推QR分解;然后,引入带遗忘因子的辨识算法,构建广义能观测矩阵的递推更新形式,以减少子空间辨识算法中QR分解和SVD分解的计算量;最后,针对某型号陀螺仪闭环系统进行实验。实验结果表明, RORT法的辨识拟合度高于91%,能够对陀螺仪闭环系统模型参数进行在线监测。     

一类非线性系统的参数估计

考虑有色噪声干扰的Hammerstein非线性系统的辨识,通过梯度搜索原理推导了增广投影算法,简化增广投影算法和增广随机梯度辨识算法.基本思想是将增广信息向量中的未知噪声项用其估计残差代替.增广投影算法对噪声非常敏感,增广随机梯度算法的收敛速度慢,为了解决这些不足,在增广随机梯度算法中引入遗忘因子,来改善参数估计精度,...     

Closed-loop subspace identification: an orthogonal projection approach

In this paper, a closed-loop subspace identification approach through an orthogonal projection and subsequent singular value decomposition is proposed. As a by-product of this development, it explains why some existing subspace methods may deliver a bias in the presence of the feedback control and suggests a remedy to eliminate the bias. Furthermore, as the proposed method is a projection based method, it can simultaneously provide extended observability matrix, lower triangular block-Toeplitz matrix, and Kalman filtered state sequences. Therefore, using this method, the system state space matrices can be recovered either from the extended observability matrix/the block-Toeplitz matrix or from the Kalman filter state sequences.     

Orthogonal projection based subspace identification against colored noise

In this paper, a bias-eliminated subspace identification method is proposed for industrial applications subject to colored noise. Based on double orthogonal projections, an identification algorithm is developed to eliminate the influence of colored noise for consistent estimation of the extended observability matrix of the plant state-space model. A shift-invariant approach is then given to retrieve the system matrices from the estimated extended observability matrix. The persistent excitation condition for consistent estimation of the extended observability matrix is analyzed. Moreover, a numerical algorithm is given to compute the estimation error of the estimated extended observability matrix. Two illustrative examples are given to demonstrate the effectiveness and merit of the proposed method.     

N4SID and MOESP algorithms to highlight the ill-conditioning into subspace identification

In this paper,an analysis for ill conditioning problem in subspace identifcation method is provided.The subspace identifcation technique presents a satisfactory robustness in the parameter estimation of process model which performs control.As a frst step,the main geometric and mathematical tools used in subspace identifcation are briefly presented.In the second step,the problem of analyzing ill-conditioning matrices in the subspace identifcation method is considered.To illustrate this situation,a simulation study of an example is introduced to show the ill-conditioning in subspace identifcation.Algorithms numerical subspace state space system identifcation(N4SID)and multivariable output error state space model identifcation(MOESP)are considered to study,the parameters estimation while using the induction motor model,in simulation(Matlab environment).Finally,we show the inadequacy of the oblique projection and validate the efectiveness of the orthogonal projection approach which is needed in ill-conditioning;a real application dealing with induction motor parameters estimation has been experimented.The obtained results proved that the algorithm based on orthogonal projection MOESP,overcomes the situation of ill-conditioning in the Hankel s block,and thereby improving the estimation of parameters.     

基于新息估计和正交投影的闭环子空间模型辨识

针对闭环控制系统提出一种基于新息估计和正交投影的闭环子空间模型辨识方法.首先采用最小二乘法对VARX模型（Vector autoregressive with exogenous inputs model）进行计算得到新息估计值,然后通过将由观测输入输出数据构造的Hankel矩阵正交投影到新息数据的正交补空间以消除噪声影响,从而在无噪声的输入输出数据奇偶空间中提取得到扩展可观测矩阵和下三角形Toeplitz矩阵.最后采用平移变换法得到系统矩阵.对该算法严格分析和证明了实现一致估计的条件.通过仿真实例验证了本文方法的有效性和优越性.     

基于子空间方法的非均匀周期刷新和采样系统辨识

针对非均匀周期刷新和采样系统的建模问题, 对于含有提升变量的状态空间模型, 提出基于子空间技术的辨识方法. 首先, 通过系统的采样数据建立由Hankel 矩阵组成的扩展状态空间方程; 然后, 利用斜交投影的原理、方法和奇异值分解, 通过子空间辨识算法确定增广观测矩阵和状态向量, 通过最小二乘方法确定模型的参数矩阵; 最后, 通过仿真实例表明了所提出算法的有效性.

     

Projection based MIMO control performance monitoring: I—covariance monitoring in state space

In this paper we propose a new control performance monitoring method based on subspace projections. We begin with a state space model of a generally non-square process and derive the minimum variance control (MVC) law and minimum achievable variance in a state feedback form. We derive a multivariate time delay (MTD) matrix for use with our extended state space formulation, which implicitly is equivalent to the interactor matrix. We show how the minimum variance output space can be considered an optimal subspace of the general closed-loop output space and propose a simple control performance calculation which uses orthogonal projection of filtered output data onto past closed-loop data. Finally, we propose a control performance monitoring technique based on the output covariance and diagnose the cause of suboptimal control performance using generalized eigenvector analysis. The proposed methods are demonstrated on a few simulated examples and an industrial wood waste burning power boiler.     

格拉斯曼流形降维及应用研究

视频人脸识别的核心问题是如何准确、高效地构建人脸模型并度量模型的相似性,为此提出一种维数约减的格拉斯曼流形鉴别分析方法以提高集合匹配的性能。首先通过子空间建模图像集合,引入投影映射将格拉斯曼流形上的基本元素表示成对应的投影矩阵。然后,为解决高维矩阵计算开销大以及在小样本条件下不能有效描述样本分布的缺陷,引入二维主成分分析方法对子空间的正交基矩阵降维。通过QR分解正则化降维后的矩阵,得到一个低维、紧致的格拉斯曼流形以获得图像集更好的表达。最后将其投影到高维核空间中进行分类。在公开的视频数据库中的实验结果证明,提出的方法在降低计算开销的同时能够获得较高的正确率,是一种有效的基于集合的对象匹配和人脸识别方法。     

Subspace identification with guaranteed stability using constrained optimization

In system identification, the true system is often known to be stable. However, due to finite sample constraints, modeling errors, plant disturbances and measurement noise, the identified model may be unstable. We present a constrained optimization method to ensure asymptotic stability of the identified model in the context of subspace identification methods. In subspace identification, we first obtain an estimate of the state sequence or extended observability matrix and then solve a least squares optimization problem to estimate the system parameters. To ensure asymptotic stability of the identified model, we write the least-squares optimization problem as a convex linear programming problem with mixed equality, quadratic, and positive-semidefinite constraints suitable for existing convex optimization codes such as SeDuMi. We present examples to illustrate the method and compare to existing approaches.     

基于改进的局部保持投影算法的人脸识别

局部保持投影算法是基于流形的学习方法,在人脸识别过程中容易遇到奇异值问题,为此提出一种利用奇异值分解的方法。在模型中,样本数据被投影到一个非奇异正交矩阵中,解决了奇异值问题;然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中,再利用最近邻分类器进行分类识别。在ORL人脸数据库中,采用了一系列的实验来对比该算法与传统局部保持投影算法和主成分分析算法的识别效果。实验结果验证了改进的局部保持投影算法在人脸识别的有效性。