基于组合式信号源的Hammerstein-Wiener模型辨识方法

针对含有有色噪声的非线性Hammerstein-Wiener模型,提出一种基于组合式信号源的辨识方法.通过利用可分离信号和随机信号组成的组合信号源实现有色噪声干扰下Hammerstein-Wiener模型各串联模块参数辨识的分离,简化辨识过程.首先,基于可分离信号的输入和输出,采用相关分析方法抑制过程噪声的干扰,辨识输出静态非线性模块和动态线性模块的参数;然后,基于辅助模型技术,利用辅助模型的输出和残差的估计值分别取代辨识模型中的不可测中间变量和噪声变量,推导辅助模型递推增广最小二乘方法,根据随机信号的输入输出数据辨识输入静态非线性模块和噪声模型的参数;最后,通过理论分析和仿真结果表明,所提出方法能够有效辨识有色噪声干扰下的非线性Hammerstein-Wiener模型,具有较好的鲁棒性.     

含有色噪声的神经模糊Hammerstein模型分离辨识

针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性.     

基于滤波的分段线性Hammerstein系统的递推辨识方法

Hammerstein模型具有结构简单、能很好地反映典型非线性特性等优点, 一直是控制领域的重要研究内容之一. 本文主要研究输出误差自回归Hammerstein系统的辨识问题, 系统的输入非线性部分采用分段线性函数拟合,并引入切换函数和位置函数将其表示为线性参数表达式. 为克服有色噪声的干扰, 本文通过关键项分离和数据滤波技术, 建立系统的滤波辨识模型. 在此基础上, 文中提出了基于滤波的遗忘梯度算法, 基于滤波的递推广义最小二乘算法和基于滤波的多新息遗忘梯度算法估计未知参数. 本文通过仿真实例验证了所提算法的有效性, 证明了多新息理论的应用可以有效地提高递推算法的辨识性能.     

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.     

基于KRLS的非均匀采样非线性系统辨识

利用提升技术可将非均匀采样非线性系统离散化为一个多输入单输出传递函数模型,从而将系统输出表示为非均匀刷新非线性输入和输出回归项的线性参数模型,进一步基于非线性输入的估计或过参数化方法进行辨识.然而,当非线性环节结构未知或不能被可测非均匀输入参数化表示时,上述辨识方法将不再适用.为了解决这个问题,利用核方法将原始非线性数据投影到高维特征空间中使其线性可分,再对投影后的数据应用递推最小二乘算法进行辨识,提出基于核递推最小二乘的非均匀采样非线性系统辨识方法.此外,针对系统含有有色噪声干扰的情况,参考递推增广最小二乘算法的思想,利用估计残差代替不可测噪声,提出核递推增广最小二乘算法.最后,通过仿真例子验证所提算法的有效性.     

有色噪声干扰输出误差系统的偏差补偿递推最小二乘辨识方法

借助于偏差补偿原理和预滤波思想, 推导了有色噪声干扰输出误差系统参数估计的偏差补偿递推最小二乘 (Bias compensation recursive least squares, BCRLS) 辨识方法. 该方法降低了辨识对输入信号平稳性的要求, 实现了偏差补偿方法参数估计的递推计算, 可以用于在线辨识. 提出的递推 BCRLS 辨识方法优于非递推偏差补偿最小二乘算法, 提高了参数估计精度. 仿真试验证实了算法的有效性.     

基于数据滤波的带协方差重置的递推贝叶斯算法

针对传统最小二乘算法计算量大、在有色噪声干扰下估计有误差的问题,提出了一种基于滤波技术的带协方差重置的递推贝叶斯算法。该算法首先使用一个动态非线性滤波器对输入输出数据进行滤波,然后使用贝叶斯方法进行参数估计。同时,为了加快参数的收敛速度,在算法中加入了一种新型的协方差重置策略。计算量分析表明,当过程模型和噪声模型的阶数分别为6和4的时候,所提算法可以减少约62.35%的计算量。仿真结果显示,所提算法与传统最小二乘算法在采样数据长度为3000时的估计误差分别为0.771%和1.118%。因此,所提算法具有较高的计算效率,并且可以给出精度较高的参数估计值。     

基于混合最小二乘支持向量机网络模型的非线性系统辨识

针对基于输入输出数据的非线性系统辨识问题,提出一种新的混合最小二乘支持向量机(LS-SVMs)网络模型及相应的学习算法.该算法将系统的辨识问题动态自适应的划分为若干子问题,将支持向量机(SVM)用于各子模块辨识;通过分析模型的统计学特性,给出基于整体框架优化的系统参数辨识方法.针对系统中参数相关联的特性,采用期望条件最大化(ECM)算法对其进行条件辨识,同时结合正则化理论和最小二乘法,保证各专家模块的结构风险最小化辨识原则.试验结果表明,该方法兼具良好的辨识精度和泛化性能.     

一类多变量Hammerstein模型的参数辨识方法

通过对系统输入信号的设计,使Hammerstein系统输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉.利用最小二乘辨识得到系统的线性动态模型.基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了多变量Hammerstein系统辨识的动态分离方法.仿真结果表明所提出的方法是有效的.     

具有限定记忆的辅助变量参数辨识法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计。可用于离线估计,也可用于在线估计。最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用。但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力。辅助变量递推算法解决了噪声的模型结构不确定且模型噪声是有色噪声时,最小二乘参数估计的元偏性和一致性问题,但依然存在数据饱和问题。为此在辅助变量递推算法的基础上引入限定记忆方式,获得了具有限定记忆的辅助变量参数估计递推算法,解决了辅助变量递推算法的数据饱和问题。仿真结果表明了该算法的有效性。     

Parameter identification of Hammerstein systems containing backlash operators with arbitrary-shape parametric borders

A two-stage parameter identification method is developed for Hammerstein systems containing backlash nonlinearities bordered by parametric arbitrary-shape lines. In the first stage, a persistently exciting input is designed so that the linear subsystem can be made decoupled from the nonlinear element. Therefore, linear subsystem identification is coped with using a least squares estimator enjoying consistency, due to input persistent excitation. Then, the backlash parameters are estimated using appropriate periodic exciting signals and consistent parameter estimators.     

Parameter learning for the nonlinear system described by Hammerstein model with output disturbance

A novel parameter learning scheme using multi-signal processing is developed that aims at estimating parameters of the Hammerstein nonlinear model with output disturbance in this paper. The Hammerstein nonlinear model consists of a static nonlinear block and a dynamic linear block, and the multi-signals are devised to estimate separately the nonlinear block parameters and the linear block parameters; the parameter estimation procedure is greatly simplified. Firstly, in view of the input–output data of separable signals, the linear block parameters are computed through correlation analysis method, thereby the influence of output noise is effectively handled. In addition, model error probability density function technology is employed to estimate the nonlinear block parameters with the help of measurable input–output data of random signals, which not only controls the space state distribution of model error but also makes error distribution tends to normal distribution. The simulation results demonstrate that the developed approach obtains high learning accuracy and small modeling error, which verifies the effectiveness of the developed approach.     

Identification of block-oriented nonlinear systems using orthonormal bases

In this paper, new noniterative algorithms for the identification of (multivariable) block-oriented nonlinear models consisting of the interconnection of linear time invariant systems and static nonlinearities are presented. The proposed algorithms are numerically robust, since they are based only on least squares estimation and singular value decomposition. Two different block-oriented nonlinear models are considered in this paper, viz., the Hammerstein model, and the Wiener model. For the Hammerstein model, the proposed algorithm provides consistent estimates even in the presence of colored output noise, under weak assumptions on the persistency of excitation of the inputs. For the Wiener model, consistency of the estimates can only be guaranteed in the noise free case. Key in the derivation of the results is the use of basis functions for the representation of the linear and nonlinear parts of the models. The performance of the proposed identification algorithms is illustrated through simulation examples of two benchmark problems drawn from the process control literature, viz., a binary distillation column and a pH neutralization process.     

Recursive identification for multi-input–multi-output Hammerstein–Wiener system

In this paper, an identification method based on the recursive auxiliary variable least squares algorithm is proposed for a multi-input–multi-output Hammerstein–Wiener system with process noise. In the proposed identification method, the system is converted into the multivariate regression form under the condition that the nonlinear block in the output part is invertible. Then, the auxiliary variable is constructed, the parameters of the regression equations are identified, and the system parameter matrices can be obtained by matrix composition of the parameter product matrix. A theoretical analysis showed that the proposed method has uniform convergence when the process noise is white and has a finite variance. The effectiveness of the proposed method is validated through the experiments.     

应用遗传算法辨识Hammerstein模型

基于遗传算法,提出了一种辨识Hammerstein模型的方法,该方法能够克服有色观测噪声的污染,获得非线性静态环节参数和线性动态环节参数的无偏估计,并与Hammerstein模型的MSLS辨识方法进行了比较,仿真结果说明了该方法的有效性。     

基于遗传规划的哈默斯坦模型的辨识

该文基于遗传规划提出了一种辨识哈默斯坦模型的新方法。哈默斯坦模型由静态非线性模块和动态线性模块串联而成,因此系统辨识的目标是要找到非线性和线性模块的最优数学模型。该文通过遗传规划确定非线性模块的函数结构,并结合遗传算法确定模型的未知参数,适应度值的计算采用了最小信息量准则(A IC),以平衡模型的复杂度和精确度。该方法不需要对模型的先验知识有详细了解,就能达到较好的辨识效果,并且能够克服观测噪声的污染,获得参数的无偏估计。仿真结果说明了该方法的有效性。     

广义输出误差模型的两阶段最小二乘递推辨识

在有色噪声干扰系统中有一类系统, 它具有广义输出误差模型(OEARMA), 本文提出一类广义输出误差模型的 两阶段递推最小二乘参数估计算法. 该算法基本思想是结合辅助模型辨识思想和分解技术, 将系统分解成两个子系统, 每个子系统包含一个参数向量. 借助基于辅助模型和递推最小二乘理论, 用辅助模型的输出代替辨识模型信息向量中未 知中间变量, 用估计残差代替信息向量中不可测噪声项, 从而可以运用递推辨识思想来估计系统所有参数. 该算法具有 较高的计算效率, 仿真例子说明提出算法的有效性.