基于小波子空间法的MIMO系统辨识研究

针对线性时不变多输人多输出(MIMO)系统的输出存在随机噪声情况下,提出直接利用小波域的输入输出数据,辨识MIMO系统的方法.子空间状态空间法是时域辨识MIMO系统的主要方法,通过数据矩阵投影,对数据矩阵进行QR分解和奇异值分解,辨识出系统的阶数和系统的状态方程矩阵.运用小波变换,将时域信号转换为小波域的信号,利用小波子空间状态空间辨识算法对MIMO系统辨识,通过仿真,得到辨识的结果与时域子空间状态空间法相比较,证明提出方法是有效的.     

基于CIM的偏差补偿稀疏NLMAD算法研究

为了解决输入信号受噪声干扰和输出观测噪声具有脉冲特征的稀疏系统辨识问题,提出一种基于CIM的偏差补偿NLMAD(Normalized least mean absolute deviation, NLMAD)算法。 利用NLMAD算法可有效抵御脉冲输出观测噪声的优势,首先应用无偏准则设计偏差补偿NLMAD算法来有效解决由于输入噪声导致的估计偏差问题。再次考虑到稀疏系统辨识问题,将CIM作为稀疏约束惩罚项引入到偏差补偿NLMAD算法提出了新的稀疏自适应滤波算法CIMBCNLMAD。将所提算法应用于输入和输出均含有噪声的稀疏系统辨识和回声干扰抵消场景中,实验表明CIMBCNLMAD算法的稳态性能优于其它自适应滤波算法,说明该方法具有强的鲁棒性且可应用于工程实践。     

基于FRFT的Wigner-Ville分布交叉项抑制方法

针对多分量线性调频信号的魏格纳-维尔分布(Wigner-Ville Distribution,WVD)交叉项干扰问题,提出一种抑制交叉项的方法。该方法利用分数阶傅里叶变换(Fractional Fourier Transform,FRFT)在最佳FRFT域中对给定的线性调频信号具有最好的能量聚集性,将多分量线性调频信号在FRFT域上分解为若干个单分量信号,线性叠加单分量信号的WVD,从而达到抑制交叉项的效果。此外,当多分量线性调频信号为周期信号时周期间存在干扰,进一步提出了在基于FRFT的WVD交叉项抑制方法中增加周期遮蔽处理。仿真结果表明,在保持较高的时频分辨率时,该方法能够有效抑制交叉项,并且有一定的抗噪声能力。     

基于稀疏分解的SFM信号的时频分析方法

针对正弦调频(SFM)信号Wigner-Ville分布(WVD)存在严重的时频交叉项干扰问题,提出了一种基于稀疏分解的时频分析方法。该方法首先由信号的时频参数构建Gabor原子字典,然后利用匹配追踪(MP)算法实现信号分解,并结合改进遗传算法寻找最佳匹配原子,最后将每次分解得到的Gabor原子通过Wigner-Ville变换叠加得到无交叉项的信号WVD。仿真结果表明,该方法能提高对信号稀疏分解的计算效率,且Gabor原子的选取较为灵活,用少量原子可表示信号WVD。与传统的时频分析方法相比,该方法能有效抑制时频交叉项干扰,且保持高时频分辨率。     

基于时频空间奇异值分解的多分量线性调频信号分离与增强

针对加性色噪声背景下的多分量线性调频信号的分离和增强问题,提出了一种新的基于时频空间奇异值分解的算法,该方法对加性噪声有较好的抑制能力.同时,对于线性调频信号的最佳分数阶傅里叶变换域估计问题提出了在低信噪比下更为有效的基于信号四阶分数阶傅里叶变换中心矩的方法.仿真实验证明了本文方法的有效性.     

一种改进多分量LFM信号时频分布估计方法

传统时频分布方法在估计多分量线性调频信号时,交叉项影响导致时频估计精度低。因此,提出建立信号调频斜率因子库,对时频分布核函数进行改进,使核函数能有效抑制由多分量信号引起的交叉项干扰。通过分析核函数与信号模糊函数交叉项及自身项的关系,将时频估计问题转化为求解最优调频斜率因子库来对核函数进行改进,使信号的广义模糊函数能量最大。以多分量线性调频信号为例进行仿真,结果证明与传统时频分布方法相比,改进的时频估计方法可以在有效抑制交叉项干扰的同时保留大部分自身项,提高了多分量信号时频估计的精度和抗噪声能力。     

利用FFT实现对LFM信号的快速稀疏分解

针对传统稀疏分解算法致使冗余字典中原子数量巨大的缺陷,提出一种线性调频信号的快速稀疏分解算法。这种算法根据线性调频信号本身的特点构建冗余字典中的原子,构建了两个冗余字典,通过级联的方式,完成了线性调频信号的快速稀疏分解。通过分析,采用这种级联的方式使得总的原子数量远小于一个冗余字典中的原子数量。在利用第一个冗余字典进行稀疏分解时,该算法通过快速傅里叶变换寻找最大值在另一个冗余字典中同时得到最匹配的原子。实验结果证实这种算法比其他3种采用单一冗余字典的稀疏分解算法,不仅加快了稀疏分解速度,而且具有更好的收敛性。     

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.     

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.     

稀疏偏差补偿最小平均对数算法

针对最小平均对数（LMLS）算法在输入信号受噪声干扰的环境下进行稀疏系统辨识时存在精度低的问题，提出了一种稀疏偏差补偿LMLS算法.利用无偏准则推导偏差补偿项来修正输入噪声带来的偏差，构建偏差补偿LMLS.借助系统稀疏特性的先验知识，采用互相关熵诱导维度作为稀疏惩罚约束条件，优化偏差补偿LMLS算法.仿真结果表明，所提算法对于含噪输入信号下的稀疏系统参数辨识具有高稳态精度.     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

有色噪声干扰下Hammerstein非线性系统两阶段辨识

针对实际工业过程中普遍存在有色噪声,提出了有色噪声干扰下Hammerstein非线性系统两阶段辨识方法。采用设计的组合式信号实现Hammerstein系统各模块参数辨识分离,简化了辨识过程。在第一阶段,基于可分离信号的输入输出数据,利用相关分析算法估计线性模块参数,减少了有色噪声对辨识的干扰。在第二阶段,基于随机信号的...     

Robust identification of MISO neuro‐fractional‐order Hammerstein systems

This paper introduces a multiple‐input–single‐output (MISO) neuro‐fractional‐order Hammerstein (NFH) model with a Lyapunov‐based identification method, which is robust in the presence of outliers. The proposed model is composed of a multiple‐input–multiple‐output radial basis function neural network in series with a MISO linear fractional‐order system. The state‐space matrices of the NFH are identified in the time domain via the Lyapunov stability theory using input‐output data acquired from the system. In this regard, the need for the system state variables is eliminated by introducing the auxiliary input‐output filtered signals into the identification laws. Moreover, since practical measurement data may contain outliers, which degrade performance of the identification methods (eg, least‐square–based methods), a Gaussian Lyapunov function is proposed, which is rather insensitive to outliers compared with commonly used quadratic Lyapunov function. In addition, stability and convergence analysis of the presented method is provided. Comparative example verifies superior performance of the proposed method as compared with the algorithm based on the quadratic Lyapunov function and a recently developed input‐output regression‐based robust identification algorithm.     

Detection of asymmetric control valve stiction from oscillatory data using an extended Hammerstein system identification method

The study in this paper is motivated by the detection of control valves with asymmetric stiction resulting in oscillations in feedback control loops. The joint characterization of the control valve and the controlled process is formulated as the identification of a class of extended Hammerstein systems. The input nonlinearity is described by a point-slope-based hysteretic model with two possibly asymmetric ascent and descent paths. An iterative identification method is proposed, based on the idea of separating the ascent and descent paths subject to the oscillatory input and output. The structure of the formulated extended Hammerstein system is shown to be identifiable, and the oscillatory signals in feedback control loops are proved to be informative by exploiting the cyclo-stationarity of these oscillatory signals. Numerical, experimental and industrial examples are provided to illustrate the effectiveness of the proposed identification method.     

Identification of linear systems with noisy input using input-output cumulants

An identification method is presented for estimating the parameters of a discrete-time linear dynamic system excited by non-gaussian input signals using the fourth-order cumulants of the input and output signals, both of which are contaminated by additive gaussian noise. Two types of estimators of the fourth-order cumulants of the input and output signals are proposed for this method. The first is conventional. The second, which is new allows us only to have a recursive algorithm for computing the parameter estimators. The parameter estimators obtained by this algorithm are shown to be strongly consistent under certain weak conditions. Simulation examples are included to demonstrate the effectiveness of the proposed method.     

分数阶系统时域子空间辨识

研究了分数阶系统的时域辨识问题,给出了一种新的分数阶系统时域子空间辨识算法.当分数阶微分阶次已知时,通过计算输入输出信号的分数阶微分,构造新的输入输出数据方程对系统的参数进行子空间辨识.当分数阶微分阶次未知时,通过代价函数将阶次辨识问题转化为参数寻优问题.采用Poisson滤波器有效避免了在计算分数阶微分时输入输出信号必须高阶可导的问题.通过分析给出了权矩阵的选取方式,提高了时域子空间辨识结果的精度.数值仿真结果表明了该算法的有效性.     

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换 (HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。     

Identification of EIV models with coloured input–output noise: combining PEM and covariance matching method

In this paper, a novel identification method for discrete-time linear systems when input–output observations are contaminated by coloured noise (errors-in-variables models) is proposed. To develop the new approach, modified prediction error and covariance matching methods are utilised. It is proved that the proposed approach leads to a consistent estimation. System identification through the proposed approach entails the existence of a flat frequency interval in power spectra of input and ratio of noise-free input to input signals which is a somewhat mild assumption. Two Monte Carlo simulations are provided to explain the efficiency, numerical complexity and the application of the proposed method.     

基于对抗的一致性正则半监督辐射源个体识别方法

针对在有标签信号样本数量较少,待识别信号因复杂信道导致数据分布发生变化的实际场景中,传统通信辐射源个体识别技术识别率较低的问题,提出基于对抗的一致性正则半监督辐射源个体识别方法;该方法在一致性正则半监督模型上首次引入基于对抗的域适应思想,建立网络模型提取“域不变”特征,即不同信噪比条件下的信号数据的特征对齐,从而实现在原始信号上训练的模型,对其他信噪比下信号的高准确率识别;在ORACLE射频指纹数据集上通过设置不同条件的数据集展开实验,实验结果表明,基于对抗的一致性正则半监督模型比全监督方法以及经典的一致性正则半监督模型具有更高的识别准确率。     

一种小波特征与深度神经网络结合的信号制式识别算法

针对当前通信信号的制式识别算法在低信噪比情况下识别不准确的问题,提出一种新的小波特征与改进的深度神经网络结合(WL-DNN)的识别算法。该算法将生成的10种{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪声的通信信号,用小波分解重构算法提取出一类新的小波特征参数。本文测试了含有多层隐含层的改进BP神经网络作为分类器,利用弹性反向传播算法训练神经网络的参数,确定神经网络的最优超参数。仿真结果表明:在信噪比低至0 dB的情况下,单个调制信号最低识别率超过95%,平均识别率超过98%,大幅提高了制式识别在低信噪比下的识别率,由此表明了该算法的有效性和正确性。