单变量闭环系统的辨识

本文论证了单变量闭环系统阶的可辨识条件和过程参数的可辨识条件;比较了直接辨识和间接辫识二种方法。分析和实例说明,在一般情况下直接辨识要比间接辨识收敛快、精度高。二种辨识方法都可以通过切换反馈调节器的办法来获得更多的信息,这时系统的阶数不必是已知的。在直接辨识法中还可以外加输入信号(例如伪随机信号),只要外部输入信号足够的激励要辨识的过程,则系统的参数可以直接辨识,这里可以采用开环系统中所使用的参数估计方法。     

一种闭环条件下的多变量系统辨识方法

为得到带有色噪声的闭环多变量系统参数无偏估计,提出两阶段随机梯度辨识算法,此算法利用中间模型将闭环问题转化成两个开环问题,并基于随机梯度算法和递阶辨识原则,用最速下降法极小化预测误差准则来得到参数估计.算法只需一个测试信号,不需要控制器的先验知识,计算简便,能获得满意的结果,适用于闭环多变量系统的在线辨识.     

基于辅助变量的闭环系统子空间辨识

提出一种基于辅助变量的子空间辨识方法,适用于控制器信息未知以及参考输入已知的闭环系统参数辨识.通过将输入-输出数据块正交投影到辅助变量的行空间,直接得到扩展观测矩阵垂空间的估计.由此可从闭环系统中提取出对象模型信息,同时由SVD分解得到扩展观测矩阵与下三角Toeplitz矩阵的估计.给出了系统参数矩阵、噪声矩阵的计算方法.将所提出的子空间辨识方法应用于闭环动态的系统参数估计,其结果表明了该方法的有效性.     

多变量时滞系统的结构辨识

本文利用投影技术提出一种辨识结构的新方法.它能在多变量系统模型参数被估计之前,直接从输入输出数据中确定该模型的时滞因子集.可观指数集及最小估计参数集.     

恒压网络中变量马达的闭环辨识

恒压网络变量马达系统的数学模型比较复杂,有一些参数也不易确定,而且系统是开环不稳定系统,因此给理论分析和系统控制带来一定困难.本文采用团环辨识方法辨识它的开环数学模型,并以辨识结果为基础,设计了转速控制系统,取得了较好的转速控制实验结果,验证了辨识结果的准确性.     

线性多变量系统的联合辨识算法

本文提出了同时估计线性多变量系统所有参数的联合辨识算法(CIA),并用随机过程理论分析了算法的收敛性。与子系统辨识算法(SSIA)相比,CIA的计算量要小得多。各输出间存在相互作用噪声时的辨识问题通过使用递推广义增广最小二乘法(RGELA)得到解决。数字仿真结果表明了CIA的有效性。     

随机多变量系统的结构与参数不变量辨识

引入多变量系统Markov参数矩阵相关分析下的最优输入设计向量,得到Markov参数矩阵估汁.在此基础上,推导出有色噪声干扰下多变量线性系统Kronecker结构不变量与参数不变量的递推辨识算法.     

闭环随机系统精选—优化辅助变量辨识算法的稳健性

在闭环自适应控制系统设计下对含有有色噪声和未建模动态的随机系统,采用精选一优化辅助变量辨识方法和极点配置控制,可使参数估计收敛;参数估计误差随未建模动态的衰减而减少。当未建模动态在平均意义下趋于零时,参数一致估计。     

基于辅助变量的压缩采样匹配追踪闭环系统辨识方法

针对被控对象和反馈通道均具有未知时滞的闭环系统,提出一种基于辅助变量的压缩采样匹配追踪辨识方法.该方法利用辅助变量方法对压缩采样匹配追踪算法进行改进,获得过参数化辨识模型稀疏参数向量的估计,根据稀疏向量的结构得到前向通道的参数估计和时滞估计,进而根据模型等价原理获得反馈通道的参数估计.仿真结果表明,所提出方法仅需少量的迭代即可获得这类闭环系统参数与时滞的有效估计.     

恒压网络中变量与达的闭环辨识

恒压网络变量马达系统的数学模型比较复杂，有一些参数也不易确定，而且系统是开环不稳定系统，因此给理论分析和系统控制带来一定困难，本文用用团环辨识方法瘁识它的开环数学模型，并以辨识结果为基础，设计了转速控制系统，取得了较好的转速控制实验结果，验证了辨识结果的准确性。     

水泥回转窑工作点的多变量系统辨识建模

研究水泥回转窑优化建模问题,水泥回转窑自动控制优化的实现,需要以准确的数学模型作为基础。由于水泥回转窑为高温热工设备,其系统是复杂的非线性系统,要求准确建模。为解决上述问题,提出采用时间序列模型,应用最小二乘的参数寻优方法进行系统辨识,得到某生产线工作点及其附近的线性化模型,用专家智能控制系统软件实现建模。实验结果可见,系统的实际输出与辨识所得模型的输出曲线归一化后拟合良好,表明所得模型在工作点附近可以准确地描述多变量系统,验证了所提时间序列模型辨识建模算法的有效性。     

多变量系统辨识的MUEAIO方法实验验证

当前用智能优化算法进行多变量系统辨识时,普遍存在模型误差大的问题.M次不相关激励和汇总智能优化的方法(MUEAIO)被证明可以解决多变量系统辨识辨不准的问题.但关于M次不相关激励的必要性和充分性还需要更深入的论证.为此,针对一个三入一出的系统,本文设计了五组应用MUEAIO方法的多变量系统辨识仿真实验.实验结果表明:严格执行至少M次不相关激励可得到多变量系统的准确模型,而激励批次不足、或者是不满足不相关激励的条件将得到误差较大的模型,其误差主要表现在模型参数和输出量分量上.     

时变多变量系统辨识的一种方法

本文提出时变多变量系统辨识的一种新方法，并分析了算法的收敛性和稳定性。仿真例子表明所提出算法是有效的。     

多变量双线性系统的递推辨识及实现

本文对一类双线性系统给出了输入输出描述的一般形式。同时对于Popov选择路线下的规范形式,给出了辨识结构和参数的递推算法,以及简单易行的实现算法,这些算法可以很方便地在计算机上实现。     

系统辨识中的闭环问题

闭环辨识; 一致无偏估计; 模型不确定性; 交互式联合设计     

多变量系统辅助模型多新息随机梯度辨识方法

针对多变量输出误差系统的模型辨识问题,借助辅助模型思想推导出其随机梯度辨识算法;由于该算法的收敛速度慢,为了提高收敛速度,将算法中的新息向量扩展成新息矩阵,得到基于辅助模型的多新息随机梯度辨识算法;辅助模型多新息算法使用新息矩阵对参数进行校正估计,该新息矩阵不仅包含了当前时刻的新息向量,还包含过去多个时刻的新息向量,因而,与辅助模型随机梯度算法和增广随机梯度算法相比,该算法具有更快的收敛速度;一个二输入二输出的仿真例子证明了所提出的算法的确具有更快的收敛速度.     

基于PID神经网络的多变量非线性动态系统辨识

文章研究基于PID神经网络的多变量非线性动态系统辨识问题。文中介绍了PID神经网络的结构和算法,分析了PID神经网络进行多变量动态系统辨识的特点和理论依据,采用PID神经网络实现了辨识任务,并给出了快速收敛的辨识结果。     

面向控制器设计的多变量系统辨识实验信号

给出一种当多交量系统辨识模型用于控制器设计时的开环实验输入信号．假定系统未楚模动态可以用加性不确定性表示，取实际输出和理想输出误差平方均值最小，将其与系统辨识最小二乘法相结合，得到一种最优输入信号的设计方法．因输入信号与控制性能的相关性，可获得比普通随机信号更好的辨识结果．仿真结果证明了该方法的有效性．     

多变量系统状态空间模型的递阶辨识

研究多变量系统状态空间模型的递阶辨识问题,推广了作者提出的标量系统状态和参数联合辨识算法.当状态可量测时,利用最小二乘原理直接辨识状态空间模型的参数矩阵;当状态不可测时,利用递阶辨识原理提出了状态空间模型递阶辨识方法,使用系统输入输出数据来估计系统的未知状态和参数.状态空间模型递阶辨识方法分为两步:首先假设系统状态是已知的(即参数估计算法中的未知系统状态用其估计代替),基于状态估计和系统输入输出数据递归计算系统参数估计;然后基于系统输入输出数据和获得的参数估计,递归计算系统的状态估计.     

线性多变量系统辨识的一种新算法

本文给出了用典范Ⅱ型描述的线性多变量系统的辨识新算法。本算法用残差法进行结构辨识,用拟增广最小二乘法进行参数估计。与算法〔3〕〔4〕〔5〕相比,本算法的计算量小,采样数据少时也能得到满意结果。 仿真结果表明,本算法效果较好。