自适应向量遗忘因子辨识算法

基于时变遗忘因子、参数变化检测、向量遗忘因子思想,提出了一种新的自适应向量遗忘 因子辨识算法.它不仅能象Fortescue方法那样可以控制参数估计中参数变化总的信息,而 且能控制此信息如何分配到各个参数中去.还给出了该算法的收敛性证明及仿真结果.     

自调整遗忘因子的有色噪声时变系统辨识

基于最小二乘原理,针对含有有色噪声的时变系统,为得到待辨识参数的无偏估计引入辅助变量,同时针对实际工程中的时变系统的动态特性变化复杂性,利用后验误差的加权平方和自动调整遗忘因子.此算法具有较强的实时跟踪能力和较高的估计精度,仿真结果进一步验证了新算法的有效性.     

时变参数遗忘梯度估计算法的收敛性

提出了时变随机系统的遗忘梯度辨识算法,并运用随机过程理论研究了算法的收敛 性.分析表明,遗忘梯度算法的性能类似于遗忘因子最小二乘法,可以跟踪时变参数,但计算量 要小得多,且数据的平稳性可以减小参数估计误差上界和提高辨识精度.阐述了最佳遗忘因子 的选择方法,以获得最小参数估计上界.对于确定性时不变系统,遗忘梯度算法是指数速度收 敛的;对于时变或时不变随机系统,遗忘梯度算法的参数估计误差一致有上界.     

电阻炉模型的辨识及时变性分析

以电阻炉为例,对工业上广泛存在的大惯性时滞时变系统对象的模型进行辨识,并对其模型时变性进行定性的分析.提出一种基于阶跃响应的一阶惯性加纯滞后连续模型的直接辨识方法.采用遗忘因子递推最小二乘法辨识算法跟踪时变参数,仿真并给出参数变化曲线.并结合机理建模从电阻炉的物理结构上分析参数时变性.仿真结果验证了机理分析的正确性.该方法对工业系统中的精确建模和时变系统的控制有一定的指导意义.     

多元系统耦合带遗忘因子有限数据窗递推最小二乘辨识方法

针对多元线性或非线性回归系统, 将耦合辨识思想与带遗忘因子有限数据窗辨识理论相结合, 提出一种耦合带遗忘因子有限数据窗递推最小二乘辨识算法. 该算法每次递推计算时既不涉及矩阵求逆运算, 又可以克服数据饱和现象, 因此, 该算法不仅计算效率高, 而且可以快速地跟踪时变参数, 获得精确的参数估计. 通过辨识基于多元模型的永磁同步电机参数的实例, 验证了所提出算法的有效性和实用性.

     

蜂群算法在太阳能电池参数辨识中的应用

为了解决太阳能电池参数辨识中参数识别精度低的问题,提出了采取基于侦查蜂阶段加入遗忘因子和邻域因子的人工蜂群算法(ABS)的解决方法.ABS算法在搜索的初期通过遗忘因子和邻域因子来使侦查蜂调整路径,从而能快速收敛到最优食物源所在区域,并使全局收敛性能在搜索后期有所提高.实验及分析表明:ABS算法的优化精度明显优于粒子群优化算法、模式搜索算法、模拟退火算法和遗传算法,为太阳能参数辨识提供了一种新的方法.     

基于有限记忆变遗忘因子的子空间辨识算法

针对传统递推子空间辨识算法对时变参数跟踪速度慢的问题,基于自适应变遗忘因子机制提出一种新的子空间辨识算法.为此首先设计了变遗忘因子作用下输入输出Hankel矩阵的更新机制;然后运用系统矩阵特征值空间欧氏距离信息实现变遗忘因子的自适应更新;最后为隔断历史数据的作用,采用有限记忆法进一步改进算法.理论及仿真结果表明,新算法跟踪速度快、跟踪效果好.     

基于动态遗忘因子递推最小二乘算法的船舶航向模型辨识

为提高遗忘因子递推最小二乘（RLS）算法辨识船舶航向运动数学模型参数的快速性和鲁棒性,在分析遗忘因子大小对算法特性影响的基础上,提出一种基于模糊控制的动态遗忘因子RLS算法。该算法从理论模型输出与实际模型输出之间的残差入手来构造评估参数辨识误差大小的评价函数,并将评价函数及其变化率作为模糊控制器的输入,利用模糊控制器结合制定的规则表进行模糊推理并计算遗忘因子的修正量,从而实现遗忘因子的动态调整。仿真结果表明,与恒定遗忘因子RLS算法的对比,该算法能够根据参数辨识误差实时调整遗忘因子的大小,使算法在模型参数平稳时有更高的辨识精度,在模型参数突变时有更快的收敛速度,验证了所提算法的优越性。     

一种新的时变大纯滞后对象在线辨识方法

对具有时变特性的大纯滞后对象进行参数估计是系统辨识的一项重要课题，该文结合递归遗忘最小二乘法和互相关函数，提出了一种联合辨识算法，该方法扩展了递归遗忘最小二乘算法的应用范围。其中，递归遗忘最小二乘法用于快速地辨识对象的动态参数，而对输入输出信号进行滤波后，对象的滞后时间参数的辨识由互相关函数实现。仿真结果表明，此种方法对于时变大纯滞后对象的在线辨识是有效的，并且优于间接估计法；该文的方法具有算法简便，实用性强的特点。     

线性时变反馈系统的状态空间模型和模态参数递推辨识

针对闭环系统中时变状态空间模型和模态参数的辨识问题, 提出一种递推辨识格式, 将这种格式与递推子空间方法结合, 得到一种辨识方法. 该方法通过重建输入输出数据之间的关系, 递推辨识得到闭环系统的时变状态空间模型和模态参数. 算例研究了系统在模态参数突变和周期变化两种情况下的辨识问题, 仿真结果表明, 所提出算法能有效辨识线性时变反馈系统的状态空间模型和模态参数.

     

基于动态遗忘因子递推最小二乘法的永磁同步电机参数辨识算法

针对固定遗忘因子递推最小二乘法(RLS)在永磁同步电机参数识别中难以同时保证快速性和鲁棒性的问题,提出一种动态调节遗忘因子大小的递推最小二乘参数识别算法。分析了遗忘因子对RLS算法的影响特性,以理论模型与实际模型输出的差值为变量构建遗忘因子调节函数,实现遗忘因子动态调整。仿真结果表明,相比于固定遗忘因子RLS算法,改进算法可以同时保证稳态抗干扰与动态快速收敛能力,具有优越性。     

非均匀Hammerstein-Wiener 系统的递阶随机梯度辨识算法

针对一类非均匀数据采样Hammerstein-Wiener 系统, 提出一种递阶多新息随机梯度算法. 首先基于提升技术, 推导出系统的状态空间模型, 并考虑因果约束关系, 将该模型分解成两个子系统, 利用多新息遗忘随机梯度算法辨识出此模型的参数; 然后, 引入可变遗忘因子, 提出一种修正函数并在线确定其大小, 提高了算法的收敛速度及抗干扰能力. 仿真实例验证了所提出算法的有效性和优越性.

     

Genetic least squares for system identification

The recursive least-squares algorithm with a forgetting factor has been extensively applied and studied for the on-line parameter estimation of linear dynamic systems. This paper explores the use of genetic algorithms to improve the performance of the recursive least-squares algorithm in the parameter estimation of time-varying systems. Simulation results show that the hybrid recursive algorithm (GARLS), combining recursive least-squares with genetic algorithms, can achieve better results than the standard recursive least-squares algorithm using only a forgetting factor.     

A fast U-D factorization-based learning algorithm with applicationsto nonlinear system modeling and identification

A fast learning algorithm for training multilayer feedforward neural networks (FNN) by using a fading memory extended Kalman filter (FMEKF) is presented first, along with a technique using a self-adjusting time-varying forgetting factor. Then a U-D factorization-based FMEKF is proposed to further improve the learning rate and accuracy of the FNN. In comparison with the backpropagation (BP) and existing EKF-based learning algorithms, the proposed U-D factorization-based FMEKF algorithm provides much more accurate learning results, using fewer hidden nodes. It has improved convergence rate and numerical stability (robustness). In addition, it is less sensitive to start-up parameters (e.g., initial weights and covariance matrix) and the randomness in the observed data. It also has good generalization ability and needs less training time to achieve a specified learning accuracy. Simulation results in modeling and identification of nonlinear dynamic systems are given to show the effectiveness and efficiency of the proposed algorithm.     

辫识时变随机系统遗忘因子算法的收敛性分析

文「１」给出了辨识时变随机系统遗忘因子算法的收敛性分子，本文指出了文「１」中的一些证明和结论上的错误，并给出了相应的改正和完善。     

Low complexity adaptive forgetting factor for online sequential extreme learning machine (OS-ELM) for application to nonstationary system estimations

Huang et al. (2004) has recently proposed an on-line sequential ELM (OS-ELM) that enables the extreme learning machine (ELM) to train data one-by-one as well as chunk-by-chunk. OS-ELM is based on recursive least squares-type algorithm that uses a constant forgetting factor. In OS-ELM, the parameters of the hidden nodes are randomly selected and the output weights are determined based on the sequentially arriving data. However, OS-ELM using a constant forgetting factor cannot provide satisfactory performance in time-varying or nonstationary environments. Therefore, we propose an algorithm for the OS-ELM with an adaptive forgetting factor that maintains good performance in time-varying or nonstationary environments. The proposed algorithm has the following advantages: (1) the proposed adaptive forgetting factor requires minimal additional complexity of O(N) where N is the number of hidden neurons, and (2) the proposed algorithm with the adaptive forgetting factor is comparable with the conventional OS-ELM with an optimal forgetting factor.     

判决反馈均衡器中用的改进RLS算法

在高速水声通信系统中，由于多径传播而引起的码间串扰ISI是传输误码率增加的主要原因。判决反馈均衡器（DFE）是对抗码间串扰ISI的有效方法。为了获得码间串扰为零的传输，固定遗忘因子的最小二乘递归算法（RLS）通常被用于更新DFE的抽头向量，但是这种算法在非稳定环境中并不能取得最佳表现。该文在获取均衡误差最小的即时过程中推导出一种应用在DFE中的自适应遗忘因子RLS算法。计算机仿真证明此方法对比以往的固定遗忘因子算法或可变遗忘因子算法获得了较好的传输表现。     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。