时变系统遗忘因子最小二乘法的有界收敛性

利用随机过程理论研究了遗忘因子最小二乘法 (FFLS)的有界收敛性, 给出了参数估计误差的上界. 分析表明: i)对于时不变确定性系统, FFLS算法产生的参数估计以指数速度收敛于真参数; ii)对于时不变随机系统, FFLS算法给出有界均方估计误差; iii)对于时变随机系统, FFLS算法可以跟踪时变参数, 且跟踪误差有界.     

时变系统遗忘因子最小二乘法的有界性收敛性

利用随机过程理论研究了遗忘因子最小二乘法（FFLS）的有界收敛性，给出了参数估计误差的上界，分析表明：i)对于时不变确定性系统；FFLS算法产生的参数估计以指数速度收敛于真参数；ii)对于时不变随机系统，FFLS算法给出界均方估计误差，iii)对于时变随机系统，FFLS算法可以跟踪时变参数，且跟踪误差有界。     

时变系统有限数据窗最小二乘辨识的有界收敛性

利用随机过程理论证明了有限数据窗最小二乘法的有界收敛性,给出了参数估计误差 上界的计算公式,阐述了获得最小均方参数估计误差上界时数据窗长度的选择方法.分析表明, 对于时不变随机系统,数据窗长度越大,均方参数估计误差上界越小;对于确定性时变系统,数 据窗长度越小,均方参数估计误差上界越小.因此,对于时变随机系统,一个折中方案是寻求一 个最佳数据窗长度,以使均方参数估计误差最小.该文的研究成果对于提高辨识算法的实际应 用效果有重要意义.     

时变系统最小均方算法的性能分析

在无过程数据平稳性假设和各态遍历等条件下,运用随机过程理论研究了最小方算法（LMS）的有界收敛性,给出了估计误差的上界,论述了LMS算法收敛因子或步长的选择方法,以使参数估计误差上界最小。这对于提高LMS算法的实际应用效果有着重要意义。LMS算法的收敛性分析表明：（1）对于确定性时不变系统,LMS算法是指数速度收敛的;（2）对于确定性时变系统,收敛因子等于1,LMS算法的参数估计误差上界最小;（3）对于时变或不变随机系统,LMS算法的参数估计误差一致有上界。     

时变系统辨识的多新息方法

推广了估计时不变参数的单新息修正技术,提出了多新息辨识方法.该方法可以抑制坏 数据对参数估计的影响,具有较强的鲁棒性.分析表明多新息方法可以跟踪时变参数,计算 量也较遗忘因子最小二乘法和卡尔曼(Kalman)滤波算法要小.仿真结果说明多新息算法估 计系统参数是有效的.     

反馈非线性系统随机梯度辨识算法及其收敛性

反馈非线性受控自回归系统是由前向通道的受控自回归模型和反馈通道的静态非线性构成, 这类系统经过参数化后得到双线性参数辨识模型. 本文通过对辨识模型中双线性参数乘积项进行分解, 基于梯度搜索原理, 提 出了反馈非线性系统的随机梯度辨识算法. 为了改善随机梯度算法的收敛速度, 引入遗忘因子, 文章给出了遗忘因子随机梯度算法, 利用随机过程理论, 建立了随机梯度算法的参数估计收敛定理, 证明了算法的收敛性. 最后, 通过数值仿真验证了算法的有效性.     

SF与RLS算法结合的时变系统参数辨识

遗忘因子最小二乘算法(RLS)具有对时变系统参数在线估计的能力,而传统的遗忘策略对解决参数辨识矩阵过饱和问题具有一定局限性.为了拓展现有RLS算法在时变系统的适用范围,提出一种将选择遗忘机制(SF)与RLS算法结合的时变系统辨识算法.从而构造出一种基于参数矩阵特征值映射的有界函数,特征值映射函数能够根据系统数据传递过程...     

基于辅助模型的量化控制系统辨识方法

针对具有通信约束的量化控制系统模型, 在采用随机重复性试验测量信息的技术上, 提出了基于辅助模型的量化系统参数辨识方法. 首先分析了在随机重复性试验方法下量化系统的模型特征并给出了分两步辨识的策略.分析表明, 在上述模型里系统具有时变的估计误差, 推导了进行参数辨识所满足的持续激励条件, 并给出了基于辅助模型的多新息量化辨识递推算法. 接着研究了所给出辨识算法的收敛性分析, 得到了系统参数估计误差上界的计算式,最后将方法推广到一类Hammerstein非线性系统量化辨识问题上. 数字仿真验证了该算法及结论     

关于鞅超收敛定理与遗忘因子最小二乘算法的收敛性分析

鞅超收敛定理是研究随机时变系统辨识算法有界收敛性的一个有效数学工具,它是鞅收益是在随机时变系统中的推广。文「１」用它证明了遗忘因子最小二乘算法参数估计误差的有界收敛性,但是文「１」假设系统的理各态遍历的,且协方差阵是用它的数学期望代替的,所得到的结果是近似的。而本文精确地给出了协方差阵的上下界,改进了文「１」的结果。     

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.

     

不确定离散系统的最优鲁棒滤波

本文对一类含有范数有界参数不确定的离散线性系统的滤波问题进行了研究,了有限时域时变以及无限时域时不变两种情形,给出了一个对所有可容许参数不确定都能满足的估计误差方差上界,得到了使得该上界达到最小的最优鲁棒滤波器形式及其存在的充要条件,数值结果表明：当系统存在参数不确定时,本文所得到的滤波器优于标准的Ｋａｌｍａｎ滤波器以及文（４）中的鲁棒滤波器。     

辨识时变系统遗忘因子算法的收敛性分析

著名的递推遗忘因子算法（ＲＦＦＡ）可以用辨识时变系统参数，具有良好的跟踪性能，本文借助于随机过程理论分析了ＲＦＦＡ的收敛性和稳定性，给出了参数跟踪误差的上下界。     

输出信号量化的双率采样系统参数辨识方法

针对双率采样和信号量化(signal quantization)[BFQB]的控制系统,采用随机重复性试验测量信息,提出基于辅助模型的双率采样量化控制系统辨识方法.分析了在随机重复试验和放松估计误差方差条件下,双率采样量化系统的模型特征并给出了分两步辨识的策略,推导了进行参数辨识所满足的持续激励条件,并给出了基于辅助模型的双率采样量化控制系统量化辨识递推算法;接着分析了所给出量化辨识递推算法的收敛性,得到了双率采样量化系统参数估计误差上界的计算式,最后数字仿真验证了该算法及结论的有效性.     

一种自动调整遗忘因子的快速时变参数辨识方法

本文介绍了一种自动调整遗忘因子的快速时变参数辨识方法.这种方法主要是在文献 [1,2]的基础上改进了遗忘因子的选取方法,引入了自动调整遗忘因子,以适应导弹控制系统 等快速时变系统的参数估计要求.数字仿真结果表明,这种辨识方法对于诸如参数的指数变 化、斜坡变化、阶跃变化、正弦变化、方波变化以及由这些变化形式构成的混合变化,都有比较 好的辨识效果.     

Robust estimation for discrete time‐varying systems with limited communication capacity

In this paper, we consider the state estimation problem for linear discrete time‐varying systems subject to limited communication capacity which includes measurement quantization, random transmission delay and data‐packet dropouts. Based on transforming the three communication limitations into the system with norm‐bounded uncertainties and stochastic matrices, we design a robust filter such that, for all the communication limitations, the error state of the filtering process is mean square bounded. An upper bound on the variance of the state estimation error is first found, and then, a robust filter is derived by minimizing the prescribed upper bound in the sense of the matrix norm. It is shown that the desired filter can be obtained in terms of the solutions to two Riccati‐like difference equations which also provide a recursive algorithm suitable for online computation. A simulation example is presented to demonstrate the effectiveness and applicability of the proposed algorithm. Copyright © 2010 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

Performance analysis of multi-innovation stochastic Newton recursive algorithms

The stochastic Newton recursive algorithm is studied for system identification. The main advantage of this algorithm is that it has extensive form and may embrace more performance with flexible parameters. The primary problem is that the sample covariance matrix may be singular with numbers of model parameters and (or) no general input signal; such a situation hinders the identification process. Thus, the main contribution is adopting multi-innovation to correct the parameter estimation. This simple approach has been proven to solve the problem effectively and improve the identification accuracy. Combined with multi-innovation theory, two improved stochastic Newton recursive algorithms are then proposed for time-invariant and time-varying systems. The expressions of the parameter estimation error bounds have been derived via convergence analysis. The consistence and bounded convergence conclusions of the corresponding algorithms are drawn in detail, and the effect from innovation length and forgetting factor on the convergence property has been explained. The final illustrative examples demonstrate the effectiveness and the convergence properties of the recursive algorithms.     

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.