非均匀采样数据系统的新型模型描述方法

提升技术是处理非均匀采样数据（Non-uniformly sampled-data,NUSD）系统的标准工具.然而,提升状态空间模型存在因果约束问题,相应的提升传递函数模型结构复杂,且参数数目过多.因此,它们不便于非均匀采样数据系统的辨识与控制.通过引入时变后移算子,本文提出了一种输入输出表达的新型模型描述方法.该模型能够克服提升系统模型的缺点,使得传统单率系统的辨识和控制方法能够推广到非均匀采样数据系统中.仿真结果表明了新模型的优越性和有效性.     

非均匀采样系统的一种递推辨识方法

在非均匀采样系统辨识方法中, 通常利用重采样、数值积分等方法来处理非均匀采样数据, 所用模型多为连续有理分式传递函数, 在递推形式下非均匀采样对象又常局限于``数据缺失'的情况. 本文研究更为一般的异步非均匀采样的多变量系统, 采用连续时间状态空间模型描述, 推导了模型参数、参数梯度和系统状态之间的相互递推关系, 构成一种可变迭代间隔的递推辨识算法, 在每次输出采样点上仅更新模型中受当前采样数据影响的参数. 这种辨识方法可以适用于任意非均匀采样系统, 多采样率系统也可作为一种特例适用于本算法. 仿真结果表明, 所提的方法是可行有效的.     

一种基于非均匀采样的图象重建方法

利用分块Toeplitz矩阵和分块循环矩阵的性质,对非均匀采样图象提出了一种重建方法。该方法可以直接利用离散傅立叶变换,不需要迭代,并且可以实时进行。仿真结果表明该算法是有效的。     

非均匀采样数据系统的故障检测

针对目前涉及较少的非均匀采样数据系统故障检测研究,研究了一类基于观测器的故障检测滤波器设计问题;对于非均匀采样数据系统,首先利用提升技术推导出系统的提升状态空间模型,然后选用基于未知输入观测器的故障检测滤波器来作为残差产生器;同时给出一种故障检测滤波器设计的H_∞最优化设计方法,并给出其最优解及存在条件;最后通过一个示例进行验证,结果证明了该方法的有效性;该方法能够有效地实现对非均匀采样数据系统的故障的检测。     

非均匀周期采样系统的递阶最小二乘辨识方法

针对非均匀周期采样系统,通过状态空间模型离散化方法得到其输入输出表达形式.鉴于参数化后得到的辨识模型同时包含1个参数向量和1个参数矩阵,利用递阶辨识原理,将辨识模型分解为分别含有参数向量和参数矩阵的2个虚拟子系统;考虑到系统的因果约束问题,将包含参数矩阵的子系统分解为子子系统进行辨识,从而提出这类非均匀采样系统的递阶最小二乘辨识方法.仿真例子表明该算法是有效的.     

非均匀采样数据系统时变故障估计与调节最优集成设计

针对一类发生连续时变故障的非均匀采样数据系统,建立了一套主动容错控制最优设计方案. 首先,为了实现基于非均匀离散采样输出对连续故障的估计,同时鉴于现有自适应故障诊断方法无法直接推广于非均匀采样数据系统,提出一种连续时间增广观测器最优设计方法,既能保证故障估计误差快速收敛同时又对外界干扰鲁棒;并且提出一个迭代算法对故障估计延迟与系统鲁棒性进行权衡;进一步地,基于所获得的故障信息,并考虑估计误差和时变故障内采样特性对容错控制带来的不利因素,设计基于状态反馈的非均匀采样容错控制器来快速恢复故障系统性能;最后,通过对四容水箱基准实例的仿真来验证所提方法的有效性.     

非均匀采样系统多新息随机梯度辨识性能分析

针对一类非均匀采样系统,提出了其输入输出表达的多新息随机梯度辨识方法．该方法将随机梯度算法中的新息项扩展为向量,有效利用了历史新息所包含的信息,从而提高辨识精度和算法的收敛速度,同时又保留了随机梯度算法计算量小的优点．仿真例子通过改变新息长度,验证了所提出辨识算法性能的优越性．     

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.     

高速非均匀采样信号的重构方法

并行交替采样中通道间的时基偏差易导致采样非均匀,且现有的信号重构方法运算量较大,容易使采集性能迅速下降.通过分析信号的频谱特征,提出了一种实时性较高的双通道并行采样重构算法;并采用FFT算法及反傅里叶变换对通道时基误差进行了实时校正.实验结果验证了该算法的可行性.     

周期非均匀采样带通信号的采样参数

从采样信号中完全重建原信号的条件为基础,推导了周期非均匀采样的最低采样阶数Ⅳ。与其单通道采样率fs需要满足的关系,给周期非均匀采样的有效应用提供了理论指导。并进一步分析了最小总采样率fM。结论证实了周期非均匀采样能保证任意带通信号以2倍带宽的采样率进行采样。     

双输入多率系统辅助模型增广随机梯度算法

针对有色噪声干扰的双输入多率系统,为解决辨识模型信息向量中存在未知变量和不可测噪声项的问题,结合辅助模型思想和递推增广随机梯度算法的优点,用辅助模型的输出代替系统的未知变量,用估计残差代替信息向量中的不可测噪声项,进而提出了双输入多率系统的辅助模型增广随机梯度算法。为了提高辨识算法的收敛速度和改善参数估计精度,在算法中引入遗忘因子,得到相应的辅助模型带遗忘因子增广随机梯度算法。仿真实例说明,引入遗忘因子,能加快算法的收敛性,提高参数估计精度。     

变遗忘因子多新息随机梯度算法双馈电机参数辨识

针对电机运行过程中参数变化特点,基于多新息辨识理论与随机梯度辨识算法理论,结合变遗忘因子,提出了基于变遗忘因子多新息随机梯度算法的双馈电机参数辨识方法。该方法考虑到双馈电机非线性强耦合,采用定子磁链定向的矢量控制技术,搭建双馈电机矢量控制系统采集数据,并推导dq坐标系下电机参数辨识模型的标准形式,根据算法辨识出电机电感及电阻参数。仿真结果验证了该算法的有效性。     

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.     

时变ARMAX系统参数辨识跟踪性分析

本文在非持续激励条件下,对时变ARMAX系统,建立了随机梯度(SG)算法的估值跟踪随机参数的强一致性。     

Sampled-data Observer Design for a Class of Stochastic Nonlinear Systems Based on the Approximate Discrete-time Models

In this paper, we studied the approximate sampleddata observer design for a class of stochastic nonlinear systems. Euler-Maruyama approximation was investigated in this paper because it is the basis of other higher precision numerical methods, and it preserves important structures of the nonlinear systems. Also, the form of Euler-Maruyama model is simple and easy to be calculated. The results provide a reference for sampled-data observer design method for such stochastic nonlinear systems, and may be useful to many practical control applications, such as tracking control in mechanical systems. And the effectiveness of the approach is demonstrated by a simulation example.      

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.