共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
基于MATLAB的最小二乘法参数辨识与仿真 总被引:20,自引:0,他引:20
本文介绍了基于MATLAB/Simulink的使用最小二乘法进行参数辨识的设计与仿真方法.首先简述参数辨识的概念和最小二乘法的基本原理,然后介绍如何采用Simulink建立系统的仿真对象模型和运用MATLAB的M语言编写最小二乘递推算法,最后结合实例给出相应的仿真结果和分析.本文的仿真方法克服了传统编程语言仿真时繁杂、难度高、周期长的缺点. 相似文献
3.
4.
曹慧荣 《自动化技术与应用》2009,28(7):8-10
针对系统参数辨识中最小二乘估计的稳健性较差,给出稳健性较强的最小一乘的系统辨识方法。推导出了最小一乘回归系数的估计式,使用逐次逼近迭代的方法,构造迭代序列给出最小一乘回归系数的迭代算法。并把该算法应用于控制系统参数辨识中,与最小二乘辨识相比较,当模型的观测数据有测量噪声时,最小一乘回归系数的收敛性及数值稳定性较好。仿真结果验证了理论,显示了最小一乘辨识的优越性。 相似文献
5.
最小二乘法是系统参数辨识中最基本、最成熟的方法,在微机上实现最小二乘法辨识参数,使参数辨识和建模得到了从理论到实际应用的飞跃。 相似文献
6.
针对参数辨识中最小二乘法(LS)存在的缺点,讨论了一种用迭代的松弛算法对最小二乘辨识的改进方法-广义最小二乘(GLS)辨识,并介绍了其基于Matlab的仿真和分析方法。首先简述参数辨识的概念、最小二乘法辨识存在的主要缺点和广义最小二乘法的基本原理,之后简要介绍了Matlab系统辨识工具箱及其中参数辨识的实现方法,最后结合实例给出相应的仿真程序及其结果分析,仿真结果表明:该方法辨识精度高,明显优于最小二乘辨识。 相似文献
7.
8.
9.
一类非线性逆系统的加权最小二乘支持向量机辨识方法 总被引:1,自引:0,他引:1
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. 相似文献
10.
针对有理模型提出两类辨识方法.首先提出基于递阶辨识思想的混合辨识方法,将模型分解为分子和分母两个子模型,分别用最小二乘法辨识分子参数,用粒子群算法和智能多步长梯度迭代算法辨识分母参数.由于降低了模型维数,且信息向量与噪声不相关,相对于传统的偏差补偿最小二乘算法,混合迭代法可以提高辨识精度并降低计算量.然后,为消除模型结构已知的假设,且充分利用最新数据更新系统参数,提出柔性递推最小二乘辨识方法,将有理模型转化为时变参数系统,进而辨识出时变系统的参数.仿真例子验证了所提出方法的有效性. 相似文献
11.
12.
13.
以DC伺服电机系统作为研究对象,提出了采用限定记忆最小二乘法辨识具有非线性参数的DC伺服电机系统动力学参数的新方法.(1)采用限定记忆最小二乘法,辨识出了伺服电机的非线性参数与运动状态相关的轨迹.(2)提出了以速度指令信号的周期设定限定记忆区间长度L的方案.(3)对用限定记忆最小二乘法辨识出的非线性参数列再构出非线性参数列与状态变化间的对应关系,然后对每个与状态变化相关的非线性参数列,使用最小二乘法进行二次曲线的拟合,进一步构造出非线性参数的近似模型.(4)将拟合得到的非线性参数列的模型代入到DC伺服电机的动力学方程式中,便可构成电机系统的非线性模型.采用限定记忆最小二乘法可以观测到系统的非线性参数与运动状态变化的关系,并且可以构成更精确的电机系统的非线性模型,通过对模型与电机系统之间的误差检定,确认了使用此方法建立的模型具有误差小、精度高,更接近实际系统. 相似文献
14.
对逆系统建模时,原系统的输出作为逆系统参数辨识时的输入.由于原系统输出存在测量噪声,且噪声方差未知,采用普通最小二乘法辨识,无法得到逆系统参数的一致无偏估计.为此,本文研究了一种有输入扰动的的逆系统无偏参数辨识算法,该算法先通过小波变换估计输入信号噪声的方差,再由估计得到的方差,通过偏差消除的递推最小_乘法,对逆系统的参数进行无偏辨识.该算法降低了对输入辨识信号为白噪声的要求,具有较强的实用性.由于采用递推运算,该算法也可以用于逆系统参数的在线辨识.最后,通过实验验证了该算法的有效性. 相似文献
15.
16.
针对损失数据线性参数系统的参数辨识问题, 借助辅助模型辨识思想推导出其变递推间隔辅助模型递 推最小二乘算法.为了提高该算法的计算效率, 利用分解技术得到变递推间隔分解递推最小二乘算法 估计系统参数.此外, 在变递推间隔分解递推最小二乘算法中引入遗忘因子, 从而提高参数估计精度和收敛速度.仿真结果表明, 所提出的算法能有效估计系统参数. 相似文献
17.
介绍了基于递推最小二乘法进行系统辨识的基本原理,对给定的实际输入输出数据运用MATLAB的M语言编写递推最小二乘算法,最后给出相应的仿真结果和分析,并对得到的模型进行验证。 相似文献
18.
19.
该文研究集合成员辨识方法,并利用最小二乘法(LS method)进行集合成员辨识。这个方法的特点是辨识在时域进行,先利用小二乘法作为计算工具,辨识出实际系统的标称模型,然后求出可行参数集。本方法计算量小,可行参数集比文献[3]的要小。 相似文献
20.
针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性. 相似文献