基于小波降噪和最小二乘的加速度计参数辨识

为了降低加速度计比较法冲击激励校准中,噪声对其动态模型辨识精度的影响,提出一种基于小波降噪和最小二乘的加速度计动态模型参数频域辨识方法。该方法首先利用改进的小波阈值降噪方法对参考加速度计和被校加速度计的输出信号进行降噪,然后利用最小二乘的方法对谐振频率附近的频率响应函数进行加速度计动态模型频域参数辨识。仿真实验和加速度计比较法冲击激励校准实验表明:该方法能够有效减少噪声对频率响应函数的影响,提高加速度计动态模型参数辨识精度。     

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.     

总体最小二乘辨识陀螺加速度计误差模型研究

开展了陀螺加速度计在三轴转台上的测试试验,由于三轴转台给陀螺加速度计提供的输入加速度引入设备误差,需采用总体最小二乘法对试验数据进行辨识。将最小二乘法应用于辨识陀螺加速度计在三轴台上的测试试验,主要是消除了测试设备的误差对陀螺加速度计精度的影响,与最小二乘法辨识结果进行比较,总体二乘法的辨识结果要优于最小二乘法,提高了陀螺加速度计的辨识精度。     

基于LabVIEW的加速度计模型参数辨识模块设计

加速度计的模型参数辨识对研究加速度计动态特性具有重要作用.针对加速度计动态特性测试系统中加速度计模型参数辨识模块的设计,利用LabVIEW图形化编程的特点,以最小二乘原理为基础,通过对加速度计频域响应函数的拟合实现了加速度计模型参数的辨识,并构建了可视化软面板.实验测试表明:所设计模块能够实现加速度计模型参数辨识,有较高的参数辨识精度,并具有良好的人机交互,所辨识出的模型能够描述加速度计的动态特性.     

多方向振动测试的石英挠性加速度计高阶误差系数辨识

高精度的误差系数可准确评价加速度计的精度与性能,从石英挠性加速度计误差模型入手,对其进行多方向振动测试试验,利用总体最小二乘（TLS）算法辨识加速度计模型方程中的高阶误差系数,建立较高精度的加速度计数学误差模型。为验证算法的有效性及所实施试验的可靠性,和传统重力场多点测试辨识加速度计参数方法作对比,同时,提出误差系数和决定系数两个指标来评价振动测试的辨识效果。结果表明：采用多方向振动测试结合总体最小二乘算法方案所辨识出加速度计高阶误系数精度较高,在实践中具有较好的借鉴意义。     

基于小波降噪与最小二乘估计的石英挠性加速度计模型辨识

石英挠性加速度计在惯性导航系统中具有重要作用,其使用精度影响着整个系统的精度。为提高加速度计的使用精度,对其进行了重力场静态翻滚测试,采用融合小波降噪与最小二乘估计的方法实现加速度计模型参数辨识。利用拟合残差标准差和系数估计的不确定度来评价辨识的效果,对重力场静态测试时加速度计两种安装方式下的测量信号进行了实验测试,并通过仿真实验来验证所采用方法的有效性。实验结果表明,所采用的方法获得的加速度计模型系数具有较高精确度。     

加速度计信号奇异值分解滤波与参数辨识

针对石英挠性加速度计模型参数辨识的噪声影响问题,采用奇异值分解技术实现测量信号的滤波降噪处理,再结合总体最小二乘算法实现模型参数的高质量辨识.以重力场下的多齿分度台为测试分析平台,利用样本熵和统计参数定量评价辨识效果.试验结果表明,奇异值分解技术能有效去除信号中的噪声干扰,且通过降噪信号获得的模型系数稳定性较好.所采用方法有效地实现了加速度计参数辨识分析,可用于其性能质量评价.     

利用递推增广矩阵辨识加速度计的参数

介绍了加速度计的基本工作原理和结构模型,将加速度计的微分方程转换成差分方程,在传统最小二乘法辨识的基础上,采用递推增广矩阵的辨识方法对加速度计的参数模型进行辨识.通过Matlab对其仿真,得到被辨识参数的估计值与曲线图,说明采用递推增广矩阵辨识方法辨识系统参数具有辨识速度快、辨识精度高、辨识结果准确等特点.     

UD分解与偏差补偿结合用于变量带误差模型辨识

本文提出一种基于UD(upper-diagonal)分解与偏差补偿结合的辨识方法,用于变量带误差(errors-in-variables,EIV)模型辨识.考虑单输入单输出(single input and single output,SISO)线性动态系统,当输入和输出含有零均值、方差未知的高斯测量白噪声时,该类系统的模型参数估计是一种典型的EIV模型辨识问题.为了获得这种EIV模型参数的无偏估计,本文先推导出最小二乘模型参数估计偏差量与输入输出噪声方差以及最小二乘损失函数与输入输出噪声方差的关系,然后采用UD分解方法递推获得模型参数估计值,再利用输入输出噪声方差估计值补偿模型参数估计偏差,以此获得模型参数的无偏估计.本文还讨论了算法实现过程中遇到的一些问题及修补方法,并通过仿真例验证了所提辨识方法的有效性.     

一类非线性逆系统的加权最小二乘支持向量机辨识方法

文中依据T-S模型的思想,提出了一种加权最小二乘支持向量机辨识算法.它采用模糊c均值(FCM)聚类确定规则数目,通过Gauss型函数将原输入输出空间分成若干子空间,在子空间中使用最小二乘支持向量机(LS-SVM)拟合获得子模型,然后由一个权重机制合成这些子模型,得到系统的模型.文中使用该方法去辨识关键反馈变量难以获得的非线性逆系统.为了得到这类逆系统的有效建模数据,采用了联合逆系统方法.仿真结果表明,加权最小二乘支持向量机辨识方法是有效的,它能够实现这类非线性逆系统的辨识,而且拟合误差平稳,波动幅度小,拟合精度和泛化能力都较好.     

一种传感网时间同步和定位的联合线性估计方法

采用时间测量以估计节点位置的方法实现简单,在传感网中得到了广泛的使用。然而节点计时时钟存在漂移和偏离,导致时间测量不准确。为此文本以节点时钟漂移和偏离模型为基础,提出了一种时间同步和节点定位的联合线性估计方法,包括最小平方（LS）及权重最小平方（WLS）方法。仿真测试了所设计算法的运行时间,分析了噪声对联合估计方法的估计误差影响。结果表明,LS及WLS线性估计方法运算速度较半正定（SDP）算法快,在低噪声条件下LS及WLS线性估计方法具有较高的稳定性和定位精度。     

基于准最小二乘法的光伏阵列模型鲁棒参数估计方法

光伏阵列的模型参数估计在光伏发电系统的仿真、输出功率预测、最大功率点跟踪等方面有重要意义。当测量数据中只含随机误差时,以加权最小二乘（WLS）为优化函数的参数估计方法有较好的辩识效果。但是当测量数据中含有显著误差时,WLS参数辩识的效果较差。为解决此问题,本文提出了一种以准加权最小二乘法（QWLS）为优化函数的参数估计方法来减小显著误差的影响,采用了赤池信息量准则(AIC)设计QWLS最优参数,将该方法应用于光伏阵列中构造模型鲁棒参数估计问题。最后将WLS和QWLS分别结合序列二次规划（SQP）算法,进行光伏阵列模型的参数估计仿真与实验测试。测试结果显示QWLS参数估计结果更准确,验证了准最小二乘法的鲁棒性与有效性。     

多变量离散时间系统的自适应LQ控制

考虑了多变量离散系统的自适应ＬＱ（线性二次）控制问题,利用ＬＳ（最小二乘）算法和ＷＬＳ（加权最小二乘）算法的自收敛性和随机正则化的思想「１」,证明了修改的估计模型是几乎处处自收敛的、一致可控和一致可观的,基于上面的估计,提出了两种自适应ＬＱ控制律,证明了闭环系统是稳定的和最优的。     

高成本和低成本MEMS加速度计性能比较研究

受微加工技术的限制,微机电系统(MEMS)加速度计在精度和可靠性方面存在劣势,针对这一问题,基于Allan方差分析法,对高成本和低成本的两种MEMS加速度计进行了实测和分析,得到了5项噪声系数,对两种传感器的性能进行了评估和对比,验证了Allan方差方法应用于加速度计误差辨识的可行性,并为加速度计的使用和研究提供了依据.     

一种DTMB系统信道估计改进算法

为减小拖尾效应和加性噪声对数字电视地面广播(DTMB)系统的信道估计精度的不利影响,针对DTMB系统帧头模式2下的信道估计,提出一种改进的最小二乘(LS)信道估计算法.该算法采用试凑法从DTMB系统信号帧中PN帧头序列内选取最佳的一段PN序列,利用所选取最佳PN序列构造用于改进的LS信道估计算法的最优频域子载波,使用改进的LS信道估计算法获取信道的脉冲响应估计初值;并根据信号的正交振幅调制(QAM)方式,选取最佳噪声门限对信道的脉冲响应估计初值进行时域滤波去噪,以获得信道脉冲响应终值.仿真结果表明,该算法可有效减小拖尾效应和加性噪声对信道估计精度的影响,提高DTMB系统在帧头模式2下信道估计的精度.     

A PWA model identification method based on optimal operating region partition with the output-error minimization for nonlinear systems

When piecewise affine (PWA) model-based control methods are applied to nonlinear systems, the first question is how to get sub-models and corresponding operating regions. Motivated by the fact that the operating region of each sub-model is an important component of a PWA model and the parameters of a sub-model are strongly coupled with the operating region, a new PWA model identification method based on optimal operating region partition with the output-error minimization for nonlinear systems is initiated. Firstly, construct local data sets from input-output data and get local models by using the least square (LS) method. Secondly, cluster local models according to the feature vectors and identify the parameter vectors of sub-models by weighted least squares (WLS) method. Thirdly, get the initial operating region partition by using a normalized exponential function, which is to partition the operating space completely. Finally, simultaneously determine the optimal parameter vectors of sub-models and the optimal operating region partition underlying the output-error minimization, which is executed by particle swarm optimization (PSO) algorithm. Simulation results demonstrate that the proposed method can improve model accuracy compared with two existing methods.     

Nonasymptotic results for finite-memory WLS filters

A nonasymptotic analysis of properties of weighted least squares (WLS) adaptive filters used for identification of time-varying systems is presented. It is shown that the problem of mean-square boundedness of WLS estimates is closely related to the problem of invertibility-in the mean sense-of the corresponding regression matrix. Necessary and sufficient conditions are discussed for such invertibility to hold. Based on that, a number of results are derived paralleling those already obtained for least mean-square (LMS) filters, and the problem of statistical robustness of the WLS estimator is briefly discussed