系统辨识(8):耦合辨识概念与方法

耦合辨识是系统辨识的一个重要分支,是新近发展和提炼形成的一种辨识概念,主要用于研究结构复杂的参数耦合线性和非线性多变量系统的辨识问题.辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念是本文作者提出的一些新的辨识研究思路、理念和方法,分别能够用于研究存在未知过程变量的不可测系统的辨识,能够提高辨识方法的收敛速度和参数估计精度,能够解决结构复杂、大规模多变量系统及参数耦合多变量系统的辨识问题、减小辨识算法的计算量.首先介绍多变量系统耦合辨识概念,在此基础上讨论多变量系统的几种(全)耦合最小二乘辨识方法、(全)耦合随机梯度辨识方法、部分耦合随机梯度辨识方法、部分耦合最小二乘辨识方法等,最后说明耦合辨识方法可推广用于有色噪声干扰多变量系统的辨识,并列出了一些多变量系统模型结构,阐述了耦合辨识概念可以结合辅助模型辨识思想、多新息辨识理论、递阶辨识原理、迭代搜索原理(梯度迭代、最小二乘迭代、牛顿迭代)等来研究线性或非线性多变量系统的辨识问题     

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.     

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.     

系统辨识(1):辨识导引

系统辨识是研究建立系统数学模型的理论与方法.虽然数学建模有很长的研究历史,但是形成系统辨识学科的历史才几十年.在这短暂的几十年里,系统辨识得到了长足的发展,一些新的辨识方法相继问世,其理论与应用成果覆盖了自然科学和社会科学的各个领域,包括物理学、生物学、地球科学、气象学、计算机科学、经济学、心理学、政治学等.在这样的背...     

系统辨识(7)：递阶辨识原理与方法

递阶辨识是系统辨识的一个重要分支.递阶辨识原理是在大系统递阶控制的“分解-协调原理”基础上发展起来的,它不仅能够解决参数数目多、维数高、大规模系统辨识算法计算量大的问题,而且能够解决结构复杂的双线性参数系统、多线性参数系统以及非线性系统的辨识问题.首先介绍递阶辨识原理和线性方程组Ax=b的著名雅可比迭代和高斯-赛德尔迭代,给出了线性方程组的迭代方法族;其次将雅可比迭代思想和递阶辨识原理用于研究一般矩阵方程和耦合矩阵方程的递阶梯度迭代求解方法和递阶最小二乘迭代求解方法;再次介绍了方程误差模型的两阶段最小二乘辨识方法(一个简单的递阶辨识方法)和线性回归模型的递阶最小二乘辨识方法;最后研究了类多变量CARMA系统的递阶辨识方法.     

系统辨识(5):迭代搜索原理与辨识方法

递推辨识与迭代辨识构成了两类重要的参数估计方法.递推辨识的递推变量与时间有关,因而可以用于在线估计系统参数;迭代辨识的迭代变量是自然数,与客观世界的时间无关,通常用于离线估计系统参数.基于辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念等辨识方法都可以用递推算法和迭代算法实现.迭代方法渊源很早,如求解矩阵方...     

滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。     

神经网络在系统辨识与控制中的应用

讨论了人工神经网络辨识的基本方法，分析了神经网络控制的几种基本结构，自校正自适应控制，模型参考自适应控制、自校正内模控制器等，并分别指出了这些控制策略的优、缺点及有待解决的一些问题。     

系统辨识(6):多新息辨识理论与方法

多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.     

基于自适应模糊神经网络的水轮机特性辨识研究

利用自适应模糊神经网络(ANFIS)较强的非线性逼近能力,建立了辨识模型,对水轮机非线性特性进行了辨识.训练算法采用最小二乘和梯度下降结合的算法来训练参数,模型能很好地辨识水轮机特性,并有一定的透明性,为研究智能水轮发电机控制策略提供了有效的建模方法.     

系统辨识(3)：辨识精度与辨识基本问题

系统辨识是研究建立系统数学模型的理论与方法.讨论系统辨识涉及的一些基本问题,包括辨识精度、辨识方法的提出,辨识输入信号的设计,参数可辨识性与系统可辨识性,开环可辨识性与闭环可辨识性,可辨识性与能控性和能观测性的关系,可辨识性与输入信号的关系,以及与辨识方法收敛性相关的激励信号与激励条件,辨识算法收敛分析的基本工具,典型...     

传递函数辨识(18):输出误差模型的辅助模型递阶迭代参数估计

针对输出误差系统,利用迭代搜索原理,研究了辅助模型梯度迭代算法、辅助模型最小二乘迭代算法、辅助模型多新息梯度迭代算法、辅助模型多新息最小二乘迭代算法;利用递阶辨识原理,研究了辅助模型递阶梯度迭代算法、辅助模型递阶多新息梯度迭代算法、辅助模型递阶最小二乘迭代算法、辅助模型递阶多新息最小二乘迭代算法等。这些辨识方法可以推广到有色噪声的随机系统中。     

运动状态下机器人关节面物理参数在线模糊辨识方法

利用模糊自动推理方法,提出了一种辨识运动状态下机器人关节面时变物理参数的方法。该方法是在原有模糊聚类法的基础上,推导出的在线自适应模糊推理算法,可应用在时变非线性系统参数在线辨识中。以三自由度单臂机器人为研究对象,建立了机器人运动状态下的动力学模型,利用该自适应模糊推理算法在线辨识此动力学模型中的机器人关节面时变物理参数。由于该方法采用局部估计算法,实验结果表明,该方法具有工程实用价值。     

非线性辨识算法及其对热工对象的应用

针对非线性复杂对象,改进了基于T-S模型的模糊辨识算法:取部分数据进行离线辨识,将输入向量的选择先于模型参数辨识,找出最有效的模型结构,提高辨识精度;然后利用剩下的数据模拟在线辨识,辨识过程中自适应改变模糊规则的数目,并通过置信度的检验,保证最有效的规则数,间接提高辨识速度。采用Box-Jenkins煤气炉辨识验证该算法的有效性,并将算法应用于电厂锅炉主汽温对象升负荷过程中的模型辨识。结果表明:辨识算法简单快速,辨识出的模糊模型能够较精确地在线描述非线性对象。     

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.     

从几种递推辨识算法的准确性来观察自适应控制系统

本文阐述了自校正控制方式自适应律的几种算法。不同算法有不同的模型形式,使系统模型的参数类型不同、噪声干扰程度不同,这些都影响到参数辨识的准确度、参数递推辨识输出数据的波动情况及收敛与否。参数辨识的准确程度决定了自适应控制的质量,在某种程度上决定着它的成哎。本文从两者的相互依赖关系上进行分析说明。     

基于改进遗传算法的系统参数辨识方法

介绍了一种基于遗传算法辨识系统参数的方法,遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法,为了提高算法的优化能力,我们采用了种群迁移以及自适应变异率来改进算法,仿真结果表明,改进的遗传算法辨识系统参数收敛到全局最优,且鲁棒性强,辨识精度高。     

飞行器模拟加热装置的模型辨识和自适应控制

本文对飞行器模拟加热装置进行了模型辨识和自适应控制,模型辨识使用ARMAX(n)辨识器,辨识结果和机理分析一致,自适应控制采用STCCAMAC两种算法,控制结果满足性能指标要求。     

Hammerstein系统递推辨识的自适应算法

采用最小二乘支持向量回归对Hammerstein系统进行辨识缺乏稀疏性,且模型不易递推.提出一种基于输出预报误差的Hammerstein模型自适应稀疏递推辨识算法.根据分块矩阵对模型进行递推运算,基于系统输出预报误差的结果,自适应调整算法的辨识步骤,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性.仿真结果表明,与常规的递推算法相比,该自适应算法能够在保证辨识精度的情况下,有效稀疏和简化模型,提高算法的鲁棒性和辨识效率,更加符合系统在线辨识的需要.     

辨识方法的计算效率(2):迭代算法

讨论了最小二乘迭代辨识算法及其计算效率问题.最小二乘迭代算法由于涉及矩阵求逆运算,为减小计算量,提出了基于块矩阵求逆的最小二乘迭代辨识算法.基于块矩阵求逆的最小二乘迭代辨识算法不是一种新算法,只是从辨识算法的实现方式上降低计算负担,它与最小二乘迭代算法产生相同的参数估计,但计算量小.文中研究了伪线性回归系统、多元伪线性回归系统、多变量伪线性回归系统的最小二乘迭代辨识算法及其基于块矩阵求逆的最小二乘迭代算法.