基于小波逼近变换的非线性分布参数系统辨识

利用Haar小波正交规范基的微分运算矩阵及其运算性质,将描述一类非线性分布参数系统的偏微分方程转化为代数矩阵方程,结合最小二乘法,确定出待辨识的系统参数,避免了对偏微分方程进行多重积分运算的繁琐;并且,可以不考虑初始条件和边界条件,较其他采用积分运算矩阵的辨识方法要简单得多,简化了分布参数系统辨识的求解过程。该方法简单,计算量小,辨识精度高。仿真结果表明了该算法应用在非线性分布参数系统辨识中的有效性。     

时变非线性分布参数控制系统的小波辨识算法

基于正交函数逼近理论,在Haar小波正交规范基的基础上,总结并推导出了其积分运算矩阵、微分运算矩阵、乘积运算矩阵及其运算性质,并应用于一类时变非线性分布参数系统的辨识.借助于正交小波函数逼近方法对分布参数系统进行辨识,经正交小波逼近变换转化为代数矩阵方程,因此该方法可以不考虑初始条件和边界条件,较其他辨识方法要简单得多.该算法简单、计算量小、简化了分布参数系统辨识的求解过程,应用在分布参数系统辨识中不失为一种有效的分析方法.     

基于小波算法的二阶线性定常分布参数系统的辨识

本文基于正交函数逼近方法,借助于小波变换,并利用其运算矩阵及其运算性质,研究了分布参数系统的辨识问题。将Haar小波正交基应用于分布参数系统的辨识中,经正交小波逼近变换,将原偏微分描述的分布参数系统转化为代数矩阵方程,并且,考虑了初始条件和边界条件,获得了算法简单、计算方便、具有较高精度的辨识算法,简化了分布参数系统辨识的求解过程,应用在分布参数系统辨识中不失为一种有效的分析方法。仿真实例表明了本文所提出的算法的有效性。     

基于Householder变换的贪婪正交最小二乘辨识算法

针对含有未知时滞的多输入受控自回归系统模型的时滞与参数辨识问题,基于Householder变换探讨一种贪婪正交最小二乘辨识算法.首先,由于各输入通道的时滞未知,通过设置输入数据回归长度对系统模型进行过参数化,得到一个含有稀疏参数向量的高维辨识模型;其次,为了避免最小二乘算法中对高维协方差矩阵的求逆运算,利用Householder变换对信息矩阵进行正交分解,推导基于Householder变换的正交最小二乘算法;然后,为了提高辨识效率,降低辨识成本,推导基于Householder变换的贪婪准则,进而得到基于Householder变换的贪婪正交最小二乘辨识算法,该算法能够在少量采样数据的条件下获得稀疏参数向量的估计值;最后,根据估计的稀疏参数向量的结构得到系统时滞估计.仿真结果表明了所提出算法的有效性.     

可变分数延时FIR滤波器的WLS优化设计

采用参数离散化的谱参数法设计可变数字滤波器,存在算法运算量和精度之间的两难选择.为此提出一种连续参数可变分数延时FIR滤波器的设计方法,并给出滤波器系数加权最小二乘最优闭合解.首先采用变量分离的加权函数简化设计过程,然后利用矩阵及矩阵运算的多种性质来简化算法,最后采用矩阵三角分解解决矩阵求逆问题.理论分析与实验结果表明本算法具有稳定性高,复杂度低的特点,算法所设计的数字滤波器可用于高精度的动态时间补偿.     

多变量线性系统的递推辨识算法

变量系统的结构辨识是很麻烦的,Guidorzi[1]提出了一个辨识不变性指标的方法,但 必须用矩阵求逆.本文给出一个递推确定结构指标的算法,不需要求行列式的运算,并且一旦 确定了子系统结构,随即得到参数估计值,没有重复的运算.所需计算量比Guidorzi[1]方法 大大减少.     

树状模型中EM算法的矩阵形式

研究了运用EM算法对树状模型参数辨识的方法,针对树状模型结构特性提出了一种矩阵形式的EM算法。在原有算法的基础上,由一系列矩阵分别描述出原始模型的全部信息,以矩阵运算的形式完成原算法的迭代过程,从而获得模型各参数估计值。实验结果表明,与原有算法相比,本方法具有更好表达形式和算法性能,在高精度和重负荷情况下更能显示出其优势。     

按段多重契比雪夫多项式系及其在线性时变系统辨识中的应用

本文在块脉冲函数系和契比雪夫多项式系基础上定义了一种新的正交函数系--按段多 重契比雪夫多项式系,研究该函数系的主要性质和基本运算法则,得出了积分运算矩阵、乘积 运算矩阵和元素乘积运算矩阵,并用此函数系研究线性时变系统的参数辨识问题,获得了简 单、快速、高精度的递推辨识算法.数值例子计算结果表明,当采用如伪随机信号一类的充分 激励的函数作为被辨识系统的试验信号,本文提出的算法所得结果的精度和计算时间都比一 般正交契比雪夫多项式算法所得结果为好.     

非均匀周期采样系统的递阶最小二乘辨识方法

针对非均匀周期采样系统,通过状态空间模型离散化方法得到其输入输出表达形式.鉴于参数化后得到的辨识模型同时包含1个参数向量和1个参数矩阵,利用递阶辨识原理,将辨识模型分解为分别含有参数向量和参数矩阵的2个虚拟子系统;考虑到系统的因果约束问题,将包含参数矩阵的子系统分解为子子系统进行辨识,从而提出这类非均匀采样系统的递阶最小二乘辨识方法.仿真例子表明该算法是有效的.     

一种可以同时辨识模型参数和阶次的辅助变量法

在用辅助变量法对SISO线性模型进行辨识时,如果将其数据向量和辅助向量重新排列并扩维,利用由此而出现的“移位性质”,则可构成一种新的数据乘积矩矩阵,其逆矩阵称作信息压缩阵。本文提出一种新的UDV~r分解方法,并利用它对这个信息压缩阵进行递推分解,构成了一种能同时进行模型参数和阶次辨识的递推算法。使用这种新的辨识算法,可以减小整个辨识过程的计算量,改善数值计算品质,提高辨识精度。     

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。     

Hierarchical Newton and least squares iterative estimation algorithm for dynamic systems by transfer functions based on the impulse responses

This paper develops a parameter estimation algorithm for linear continuous-time systems based on the hierarchical principle and the parameter decomposition strategy. Although the linear continuous-time system is a linear system, its output response is a highly nonlinear function with respect to the system parameters. In order to propose a direct estimation algorithm, a criterion function is constructed between the response output and the observation output by means of the discrete sampled data. Then a scheme by combining the Newton iteration and the least squares iteration is builded to minimise the criterion function and derive the parameter estimation algorithm. In light of the different features between the system parameters and the output function, two sub-algorithms are derived by using the parameter decomposition. In order to remove the associate terms between the two sub-algorithms, a Newton and least squares iterative algorithm is deduced to identify system parameters. Compared with the Newton iterative estimation algorithm without the parameter decomposition, the complexity of the hierarchical Newton and least squares iterative estimation algorithm is reduced because the dimension of the Hessian matrix is lessened after the parameter decomposition. The experimental results show that the proposed algorithm has good performance.     

Volterra 泛函级数在非线性系统辨识中的应用

利用Volterra泛函级数描述非线性系统，将非线性系统辨识问题转化为标准的最小二乘问题，并通过QR分解进行求解，在对输入矩阵P进行Householder变换过程中，提出利用输入向量对输出向量的影响因子进行P阵的列选择，同时完成模型辨识，有效地克服了Volterra泛函数辨识中维数灾难问题，数字仿真表明了该方法的有效性。     

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.

     

损失数据线性参数系统的递推最小二乘辨识方法

针对损失数据线性参数系统的参数辨识问题, 借助辅助模型辨识思想推导出其变递推间隔辅助模型递 推最小二乘算法.为了提高该算法的计算效率, 利用分解技术得到变递推间隔分解递推最小二乘算法 估计系统参数.此外, 在变递推间隔分解递推最小二乘算法中引入遗忘因子, 从而提高参数估计精度和收敛速度.仿真结果表明, 所提出的算法能有效估计系统参数.     

基于奇异值分解的非均匀采样非线性系统的模糊模型辨识

针对复杂、不确定、非均匀采样数据的非线性系统,提出一种基于矩阵奇异值分解(SVD)的模型结构辨识和参数估计的建模方法.首先,利用矩阵奇异值(SVD)分解算法分析各局部模型与奇异值、积累贡献率的关系,确定模糊模型的规则数,从而实现模型的结构优化;然后,为了克服递推最小二乘出现的误差积累、传递现象,采用奇异值分解的递推最小二乘估计模型的结论参数;最后,通过仿真实例验证所提出算法的有效性.     

A fast identification algorithm for box-cox transformation based radial basis function neural network

In this letter, a Box-Cox transformation-based radial basis function (RBF) neural network is introduced using the RBF neural network to represent the transformed system output. Initially a fixed and moderate sized RBF model base is derived based on a rank revealing orthogonal matrix triangularization (QR decomposition). Then a new fast identification algorithm is introduced using Gauss-Newton algorithm to derive the required Box-Cox transformation, based on a maximum likelihood estimator. The main contribution of this letter is to explore the special structure of the proposed RBF neural network for computational efficiency by utilizing the inverse of matrix block decomposition lemma. Finally, the Box-Cox transformation-based RBF neural network, with good generalization and sparsity, is identified based on the derived optimal Box-Cox transformation and a D-optimality-based orthogonal forward regression algorithm. The proposed algorithm and its efficacy are demonstrated with an illustrative example in comparison with support vector machine regression.     

A stochastic realization algorithm via block LQ decomposition in Hilbert space

A stochastic realization problem of a stationary stochastic process is re-visited, and a new stochastically balanced realization algorithm is derived in a Hilbert space generated by second-order stationary processes. The present algorithm computes a stochastically balanced realization by means of the singular value decomposition of a weighted block Hankel matrix derived by a “block LQ decomposition”. Extension to a stochastic subspace identification method explains how the proposed abstract algorithm is implemented in system identification.     

Time-varying parametric system multiresolution identification by wavelets

In this paper, the problem of time-varying parametric system identification by wavelets is discussed. Employing wavelet operator matrix representation, we propose a new multiresolution least squares (MLS) algorithm for time-varying AR (ARX) system identification and a multiresolution least mean squares (MLMS) algorithm for the refinement of parameter estimation. These techniques can achieve the optimal tradeoff between the over-fitted solution and the poorly represented identification. The main features of time-varying model parameters are extracted in a multiresolution way, which can be used to represent the smooth trends as well as track the rapidly changing components of time-varying parameters simultaneously and adaptively. Further, a noisy time-varying AR (ARX) model can also be identified by combining the total least squares algorithm with the MLS algorithm. Based on the proposed AR (ARX) model parameter estimation algorithm, a novel identification scheme for time-varying ARMA (ARMAX) system is presented. A higher-order time-varying AR (ARX) model is used to approximate the time-varying ARMA (ARMAX) system and thus obtain an initial parameter estimation. Then an iterative algorithm is applied to obtain the consistent and efficient estimates of the ARMA (ARMAX) system parameters. This ARMA (ARMAX) identification algorithm requires linear operations only and thus greatly saves the computational load. In order to determine the time-varying model order, some modified AIC and MDL criterions are developed based on the proposed wavelet identification schemes. Simulation results verify that our methods can track the rapidly changing of time-varying system parameters and attain the best balance between parsimonious modelling and accurate identification.