一类有色噪声干扰下的随机时变系统学习辨识

讨论由一类时变ARMAX模型描述的动态系统学习辨识问题,提出用于估计有限区间上重复运行时变系统时变参数的学习算法.文中给出最小二乘学习算法的具体形式及实现步骤,并分析所提出学习算法的收敛性.分析结果表明,当重复持续激励条件成立且满足严格正实条件时,提出的学习算法具有重复一致性,即参数估值完全收敛于真值.文中还将结果推广到一类周期时变系统.通过数值仿真,进一步对所提学习算法的有效性进行了验证.     

基于Householder变换的贪婪正交最小二乘辨识算法

针对含有未知时滞的多输入受控自回归系统模型的时滞与参数辨识问题,基于Householder变换探讨一种贪婪正交最小二乘辨识算法.首先,由于各输入通道的时滞未知,通过设置输入数据回归长度对系统模型进行过参数化,得到一个含有稀疏参数向量的高维辨识模型;其次,为了避免最小二乘算法中对高维协方差矩阵的求逆运算,利用Householder变换对信息矩阵进行正交分解,推导基于Householder变换的正交最小二乘算法;然后,为了提高辨识效率,降低辨识成本,推导基于Householder变换的贪婪准则,进而得到基于Householder变换的贪婪正交最小二乘辨识算法,该算法能够在少量采样数据的条件下获得稀疏参数向量的估计值;最后,根据估计的稀疏参数向量的结构得到系统时滞估计.仿真结果表明了所提出算法的有效性.     

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...     

直流电动机时变参数在线辨识方法

针对直流电动机的电枢阻抗以及转子转动动量等参数会随着其运行环境及工况的变化而发生变化,从而导致系统控制失效的问题,给出了一种基于递推最小二乘算法的直流电动机时变参数在线辨识方法,并设计了以TMS320F2812为核心的直流电动机控制系统。试验结果表明,使用递推最小二乘算法能够较好地实现直流电动机系统的时变参数辨识。     

飞机颤振模态参数辨识的频域广义整体最小二乘算法

采用一种适用于噪声环境的广义整体最小二乘算法,准确地辨识飞机的颠振模态参数．该算法结合有理传递函数模型,将带噪系统的辨识问题转化为广义整体最小二乘问题．利用线性的广义奇异值分解求解模型系数,避免了非线性优化的复杂计算．通过迭代法更新加权项,获得了接近于极大似然估计的辨识效果．最后利用试飞试验数据辨识飞机的模态参数,验证了该方法的有效性．     

学习辨识:最小二乘算法及其重复一致性

针对重复时变系统, 提出学习辨识方法用于估计系统的时变参数. 讨论了有限时间作业区间上重复运行的时变系统以及周期时变系统两种情形. 文中给出最小二乘学习算法的推导过程, 并分析了所提算法的收敛性. 结果表明, 当重复持续激励条件成立时, 提出的学习算法具有重复一致性, 能够给出时变参数的完全估计. 通过数值算例进一步验证了学习算法的有效性.     

两种时变参数估计的自适应递推算法

本文就参数呈快时变(包括阶跃变化)时系统辨识问题提出了两种在线自适应辨识算法,它们是通过参数时变检验对最小二乘递推算法进行适时校正得来的算法,并通过仿真与其它方法比较,验证了它们的有效性。     

非持续激励条件下系统辨识递推最小二乘最小范数算法

系统辨识中广泛应用的最小二乘算法需要输入向量序列满足持续激励性条件(PE条件); 但在大多情况下这是难以满足的. 本文提出了一种不依赖于PE条件的递推最小二乘、最小范数辨识算法. 首先分析了最小二乘算法解空间的结构, 并运用罚函数方法, 将参数辨识问题转化为无约束优化问题. 然后, 提出了将步长、罚因子等过程控制参数统一的迭代－递推形式的辨识算法, 证明了算法在给定的控制参数约束下收敛于唯一的最小二乘、最小范数解向量. 仿真实验表明在非PE条件下算法的有效性.     

混沌时间序列的自适应变异差分进化ANFIS预测

提出了一种基于自适应变异差分进化（AMDE）算法的ANFIS模型对混沌时间序列进行预测的方法,该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计,利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化,而网络的结论参数采用最小二乘法优化,混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性,仿真实验结果表明了该方法的有效性。     

广义输出误差模型的两阶段最小二乘递推辨识

在有色噪声干扰系统中有一类系统, 它具有广义输出误差模型(OEARMA), 本文提出一类广义输出误差模型的 两阶段递推最小二乘参数估计算法. 该算法基本思想是结合辅助模型辨识思想和分解技术, 将系统分解成两个子系统, 每个子系统包含一个参数向量. 借助基于辅助模型和递推最小二乘理论, 用辅助模型的输出代替辨识模型信息向量中未 知中间变量, 用估计残差代替信息向量中不可测噪声项, 从而可以运用递推辨识思想来估计系统所有参数. 该算法具有 较高的计算效率, 仿真例子说明提出算法的有效性.     

New results on discrete-time delay systems identification

A new approach for simultaneous online identification of unknown time delay and dynamic parameters of discrete-time delay systems is proposed in this paper.The proposed algorithm involves constructing a new generalized regression vector and defining the time delay and the rational dynamic parameters in the same vector.The gradient algorithm is used to deal with the identification problem.The effectiveness of this method is illustrated through simulation.     

协方差重置的两阶段递推贝叶斯参数辨识算法

为了在有色噪声干扰情况下获得无偏估计,基于辅助模型思想和分解技术,提出了一种带协方差重置的两阶段递推贝叶斯辨识算法。该算法首先把待辨识模型分解成两个虚拟子模型,然后分别辨识;同时,把估计到的噪声方差引入算法,并加入了一种新的协方差重置方法。计算量分析表明,与带协方差重置的最小二乘算法相比,所提算法可以减少计算量。仿真结果显示,所提算法的估计误差比传统最小二乘算法要小。实例建模证明了算法的有效性。     

基于改进遗传算法的非线性系统模糊辨识新方法

提出一种基于改进遗传算法和递推最小二乘的非线性模糊辨识新算法.该辨识方法包含结构辨识辨出和参数辨识,结构辨识即输入空间的模糊划分,采用具有自适应性的广义高斯隶属函数;参数辨识包含前提参数和结论参数,用基于动态比例变换的改进遗传算法优化高斯函数的前提参数,用递推最小二乘辨识模糊模型的结论参数.最后通过著名的Box-Jenkins煤气炉数据仿真(仿真环境:MATLAB 6.5,计算机主频2.4 GHz,内存512 MB),并根据输入变量个数和模糊规则数,得到均方误差以证明本文方法的辨识精度,将该文辨识方法与其他方法进行比较,验证了该方法辨识精度更高.     

基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

Speaker identification using multi-step clustering algorithm with transformation-based GMM

To improve the performance of speaker recognition, the embedded linear transformation is used to integrate both transformation and diagonal-covariance Caussian mixture into a unified framework. In the case, the mixture number of GMM must be fixed in model training. The cluster expectation-maximization (EM) algorithm is a well-known technique in which the mixture number is regarded as an estimated parameter. This paper presents a new model structure that integrates a multi-step cluster algorithm into the estimating process of GMM with the embedded transformation. In the approach, the transformation matrix, the mixture number and model parameters are simultaneously estimated according to a maximum likelihood criterion. The proposed method is demonstrated on a database of three data sessions for text independent speaker identification. The experiments show that this method outperforms the traditional GMM with cluster EM algorithm. This text was submitted by the authors in English.     

Least-squares-based iterative identification algorithm for Hammerstein nonlinear systems with non-uniform sampling

This paper focuses on identification problems for Hammerstein systems with non-uniform sampling. By using the over-parameterization technique, we derive a linear regressive identification model with different input updating rates. To solve the identification problem of Hammerstein output error systems with the unmeasurable variables in the information vector, the least-squares-based iterative algorithm is presented by replacing the unmeasurable variables with their corresponding iterative estimates. The performances of the proposed algorithm are analysed and compared by using a numerical example.     

和声搜索算法探索能力研究及其修正

和声搜索算法(harmony search,HS)的一大缺点是它容易陷入局部最优.针对此缺点,深入研究了近期文献中所提出的步长(bw)调整方法.首先具体分析了和声搜索算法即兴创作过程的探索能力,而后推导出在不对称区间下即兴创作过程的探索能力与各参数的关系,并进一步讨论了bw对探索能力和算法收敛的影响,证明了方差期望和均值期望所组成的迭代方程的迭代收敛充分性.基于这些分析和证明,提出一种修正和声搜索算法(modified harmony search,MHS),并分析了参数和声记忆库大小(harmony memory size,HMS)、基音调整概率(pitch adjusting rate,PAR)及和声记忆库的考虑概率(harmony memory considering rate,HMCR)对MHS优化性能的影响.数值仿真结果表明MHS算法优于HS及最新文献所报道的8种改进HS算法,具有良好的优化性能.     

带优选聚类算法的 RBF 网络辨识器及应用

以RBF神经网络为模型框架，解决非线性系统的辨识问题。针对RBF网络的结构辨识问题，提出一种优选聚类算法，并用该算法，依据输入样本优选确定RBF神经网络的隐含层节点个数，采用新型二阶递推学习算法估计RBF网络中的参数和权值。上述混合算法，同时解决了RBF网络结构和参数辨识问题，大大提高了RBF网络的建模和预测精度。应用实例表明了所提出方案的有效性。