基于辅助模型正交匹配追踪的多输入系统迭代辨识算法

针对含有未知时滞的多输入输出误差系统的时滞与参数辨识问题,提出一种基于辅助模型的正交匹配追踪迭代算法.首先,由于各输入通道的时滞未知,通过设定输入回归长度,对系统模型进行过参数化,得到一个高维的辨识模型,且辨识模型中参数向量为稀疏向量;然后,基于辅助模型思想和正交匹配追踪算法,在每次迭代过程中,对参数向量和辅助模型的输出进行交互估计,即利用正交匹配追踪算法获得参数向量的估计,再利用参数估计值计算辅助模型的输出,并用辅助模型的输出值代替信息向量中的不可测信息项以更新参数估计;最后,根据参数向量的稀疏特征,获得系统的时滞估计.所提出算法可以利用少量的采样数据信息同时获得系统参数和时滞的估计值.仿真结果表明了所提出算法的有效性.     

多天线时变信道频偏的估计下界

针对多天线信道频偏参数的随机时变特点,建立参数化的观测模型,根据时变参数估计的克拉美-罗下界求取原理,在非线性的观测模型和序贯的观测值下,利用参数真值推导频偏估计的克拉美-罗下界。由于特征参数的真值不可知,因此将观测模型在估计值处进行二阶泰勒级数展开,通过参数估计值获得频偏参数估计的近似下界。仿真结果表明,基于参数真值和估计值的频偏估计下界具有渐近收敛性,且随信噪比和观测值个数的增加均能达到稳态。     

输入非均匀采样广义输出误差模型的递推贝叶斯参数辨识算法

针对传统最小二乘算法在辨识过程中没有考虑噪声的协方差和参数的先验概率密度的问题,提出一种递推贝叶斯算法。该算法以最大化参数的后验概率密度函数为准则进行参数估计。实验结果证明所提算法可以获得更高精度的参数估计值。收敛性分析表明,该算法给出的参数估计值收敛于参数真值。该算法综合考虑了噪声方差、数据的先验概率分布和参数的先验概率分布,可以获得比最小二乘法更高的精度的估计值。     

基于人工蜂群算法的混沌系统参数估计

为了更准确的估计混沌系统的未知参数,提出了一种基于人工蜂群算法的混沌系统参数辨识方法,该方法将混沌系统中参数估计转化为多维变量的函数优化问题,利用搜索方程对多维空间变量进行充分搜索,通过优化人工蜂群算法计算估计值与真值之间的均方差,从而估计出混沌系统的参数. Lorenz混沌系统的参数辨识仿真实验结果表明了该方法的可行性,并且算法收敛速度快,估计精度高.     

多变量输出误差系统的辅助模型随机梯度辨识算法

考虑了多变量输出误差系统的辨识问题. 使用系统可得到的输入输出数据构造一个辅助模型, 用辅助模型的输出代替信息向量中的未知变量, 提出了一个基于辅助模型的随机梯度辨识算法. 使用鞅收敛定理的收敛性分析表明: 提出的算法给出的参数估计收敛于它们的真值. 给出了带遗忘因子的辅助模型随机梯度算法来改进参数估计精度, 仿真结果证实了提出的结论.     

基于辅助模型和数据滤波的伪线性回归系统参数估计方法

针对伪线性输出误差回归系统的辨识模型新息信息向量存在不可测变量的问题,首先通过构造一个辅助模型,用辅助模型的输出代替未知中间变量,推导得到的基于辅助模型的递推最小二乘参数估计算法计算量较大,但算法的辨识效果不佳。进一步采用估计的噪声模型对系统观测数据进行滤波,使用滤波后的数据进行参数估计,从而推导提出了基于数据滤波的递推最小二乘参数估计算法。仿真结果表明,所提算法能够有效估计伪线性回归线性输出误差系统的参数。     

基于辅助模型和数据滤波的伪线性回归系统参数估计方法

针对伪线性输出误差回归系统的辨识模型新息信息向量存在不可测变量的问题,首先通过构造一个辅助模型,用辅助模型的输出代替未知中间变量,推导得到的基于辅助模型的递推最小二乘参数估计算法计算量较大,但算法的辨识效果不佳。进一步采用估计的噪声模型对系统观测数据进行滤波,使用滤波后的数据进行参数估计,从而推导提出了基于数据滤波的递推最小二乘参数估计算法。仿真结果表明,所提算法能够有效估计伪线性回归线性输出误差系统的参数。     

基于一次投影子空间追踪的压缩感知信号重构

为了降低信号重构算法的复杂度,实现对稀疏度未知信号的重构,提出了一种基于一次投影子空间追踪(OPSP)的信号重构方法。首先根据约束等距性质确定信号稀疏度的上下界,并将最接近上下界中值的整数作为稀疏度的估计值;然后在子空间追踪(SP)算法的框架下,去掉了迭代中观测向量在支撑集上的投影过程,降低了算法的复杂度。为了更准确地衡量算法的重构性能,提出用完整信号的重构概率作为衡量算法重构性能的指标。与传统的SP算法相比,所提算法可以重构稀疏度未知的信号,且重构时间短,重构概率高。仿真结果验证了该算法的有效性。     

基于辅助模型的多新息广义增广随机梯度算法

将辅助模型辨识思想与多新息辨识理论相结合,利用系统可测信忠建立一个辅助模型.分别用辅助模型输出和噪声估计值代替辨识模型信忠向量中未知真实输出变量和不可测噪声项,并引入新忠长度扩展标量新息为新息向量,提出了Box-lenkins模型的辅助模型多新忠广义增广随机梯度辨识方法.所提出方法重复使用系统数据,能够改善参数估计精度,加快算法的收敛速度.     

工业数据挖掘中应用最小二乘法的缺陷

工业数据建模常常使用最小二乘法进行参数估计,在数据满足一定条件的前提下,可得到被估计参数的无偏估计值。但是工业数据一般含有测量误差,当基于误差数据作为自变量进行最小二乘回归时,得到的参数估计值往往是有偏的,其结果不能正确反映数据变量之间的结构关系。因此,对二元变量模型进行了深入分析,通过对测量误差进行合理假设,建立了在统计意义下被估计参数真值与测量误差和参数有偏估计值之间的解析关系式,为进一步参数校正奠定了理论基础。仿真实例表明了该方法的有效性。     

基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

参数未知系统直接广义预测控制

传统的广义预测控制(GPC)算法需要在线递推求解Diophantine方程及矩阵求逆,因此计算量很大,不适合对实时性要求高的控制系统.文中对参数未知线性系统提出一种直接广义预测控制(DGPC)方法.该方法直接辨识广义预测控制器参数θu,即基于广义误差估计值对控制器参数和广义误差估计值中的未知向量θu进行自适应调整.理论证明了该方法可使广义误差收敛到原点的一个小邻域内.仿真结果验证了此方法的有效性.由于实时性提高,并且不需要被控对象模型,该方法更利于实际应用.     

基于GA参数辨识的逆变电源模糊内模控制

本文提出一种基于遗传算法在线参数辨识的内模控制，并应用于逆变电源对象，构成参数在线辨识的智能控制系统。用遗传算法在线得到对象模型参数的估计值，并可保证能跟踪实际参数的变化，对象模型参数的估计值等于实际值，同时将参数估计值送给模糊内模控制器作精确的补偿，使控制系统的鲁棒性得到了提高。仿真结果表明，本文所提出的方法是可行且有效的。     

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.     

非线性系统的RBF网络直接广义预测控制

针对广义预测控制(GPC)算法需要在线递推求解Diophantine方程及矩阵求逆等计算量大的缺陷,本文对参数未知非线性系统提出一种RBF网络的直接广义预测控制方法。该方法首先将非线性系统转化为时变线性系统,然后用三次样条基函数逼近系统广义误差中的时变系数,并基于广义误差估计值对控制器参数即网络权值和广义误差估计值中的未知向量进行自适应调整,然后利用RBF网络来逼近控制增量表达式。     

一种全系数的自适应控制方法

本文提出了参数定常且未知的单输入单输出自适应控制系统的"模型系数之和等于一" 的关系式,导出了一种新的参数递推算法.利用上述结果,对象模型的全部系数可在线实时 辨识并收敛于工程真值.本文还介绍了这种方法的工程实现及其在空间环境模拟器温度自 适应控制系统中的应用.     

基于神经网络编码的真值发现

由于互联网的开放性和多源性,不同互联网平台提供的数据参差不齐,多个数据源对同一实体的描述可能存在冲突,真值发现是消解语义冲突,提高数据质量的重要技术手段之一。传统真值发现算法通常假设数据源可靠度与观测值可信度间的关系可用简单函数表示,设计迭代规则或概率模型进行真值发现,而人工定义的条件通常难以反映数据底层的真实分布,导致真值发现结果不理想。针对此问题,提出基于神经网络编码的真值发现方法TDNNE。首先利用“数据源-数据源”“数据源-观测值”关系及真值发现的假设构造双损失深度神经网络;然后利用该网络将数据源与观测值嵌入到高维空间,分别表示数据源可靠度与观测值可信度,使可靠数据源与可信观测值彼此接近（同时,不可靠数据源与不可信观测值彼此接近）;最后基于嵌入空间进行真值发现。与传统方法相比,TDNNE方法不需要人工定义迭代规则或数据分布,而是利用神经网络自动学习数据源观测值间复杂的关系依赖。在真实数据集上的实验结果表明,该方法准确率较基于迭代的Accu等方法准确率提高约2%~25%,较基于概率图模型的3-Estimates等方法提高约2%~4%,较基于优化的CRH方法提高约2%~5%,较基于神经网络的FFMN方法提高约1%~2%。     

自校正多传感器观测融合Kalman估值器及其收敛性分析

对于带未知噪声方差的多传感器系统,应用加权最小二乘(WLS)法得到了一个加权融合观测方程,且它与状态方程构成一个等价的观测融合系统.应用现代时间序列分析方法,基于观测融合系统的滑动平均(MA)新息模型参数的在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正融合滤波、预报和平滑问题,并用动态误差系统分析方法证明了它的收敛性,即若MA新息模型参数估计是一致的,则它按实现或按概率1收敛到全局最优加权观测融合Kalman估值器,因而具有渐近全局最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.     

未知参数多变量线性系统自适应模糊广义预测控制

对未知参数多变量线性系统提出了自适应模糊广义预测控制方法.该方法直接用模糊逻辑系统组成的向量设计广义预测控制器,并基于广义误差向量估计值对控制器中的未知向量和广义误差估计值中的未知矩阵进行白适应调整.该方法不但能保证闭环系统所有信号有界,而且可使广义误差向量收敛到原点的一个邻域内.     

未知观测噪声时机器人同步定位与地图构建

对未知观测噪声的机器人同步定位与地图构建问题,提出基于神经网络PID自适应学习观测噪声的机器人同步定位与地图构建算法.已知系统噪声为高斯分布,噪声的方差未知,但其真值是在某个有限集合内.设计一个由神经网络PID控制器、观测噪声调整以及中值滤波构成的噪声在线辨识单元.通过自适应在线辨识观测噪声,并进行新息协方差平均值滤波,迭代修正观测噪声协方差,实现机器人同步定位精度的在线提高.实验表明,该算法可降低观测噪声先验信息不足的影响,减小定位误差.