一种新的基于遗忘因子的递推子空间辨识算法

针对工业系统中广泛存在的时变特性, 提出一种新的递推子空间辨识算法, 实现对系统状态空间模型的在线递推估计. 为更好地跟踪系统时变特性, 研究基于遗忘因子的输入输出数据矩阵构造机制, 以提高递推算法的收敛速度; 针对算法中奇异值分解的求解问题, 将梯度型算法引入基于遗忘因子的状态子空间跟踪中, 实现对广义能观测矩阵的估计, 避免了子空间近似带来的估计有偏性; 该算法计算简单有效, 且对初值具有更高的鲁棒性; 最后给出该递推算法的性能分析, 理论证明其收敛性, 并通过仿真实例验证算法的有效性.     

基于有限记忆变遗忘因子的子空间辨识算法

针对传统递推子空间辨识算法对时变参数跟踪速度慢的问题,基于自适应变遗忘因子机制提出一种新的子空间辨识算法.为此首先设计了变遗忘因子作用下输入输出Hankel矩阵的更新机制;然后运用系统矩阵特征值空间欧氏距离信息实现变遗忘因子的自适应更新;最后为隔断历史数据的作用,采用有限记忆法进一步改进算法.理论及仿真结果表明,新算法跟踪速度快、跟踪效果好.     

基于目标函数的递推子空间辨识算法

针对实际工程中要求对系统参数进行在线估计的问题, 提出一种递推子空间辨识的新方法. 通过引入辅助变量关系将递推子空间辨识问题转化为目标函数的迭代最小化问题. 采用递推最小二乘算法在线估计参数并由传播方法得到更新的广义能观性矩阵, 进而求得子空间辨识模型系统参数. 该算法简单有效且对初值具有鲁棒性. 最后, 通过仿真实例验证算法的有效性.     

递推子空间自适应预测控制综合方法

为解决预测控制综合方法中的模型不确定问题,不同于以往利用多胞模型描述的方法,提出了一种新的基于递推子空间的自适应预测控制综合方法.通过在每一步中加入当前输入输出数据重新构建Hankel矩阵,对广义能观矩阵进行更新,从而获得对应的状态空间模型;然后将新获得的模型应用于预测综合的优化求解过程,得到当前时刻的控制律.为提高算法的收敛速度,在辨识的过程中引入了基于模型匹配误差的时变遗忘因子.最后,在慢时变与线性时不变两种情况下进行仿真,验证了所提出算法的有效性.     

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.     

基于随机分布理论的递推子空间辨识

在实际生产过程中,采用传统子空间辨识法建立的离线模型并不能有效准确地跟踪系统的动态变化;奇异值分解等线性代数工具虽然增加算法的数值鲁棒性,但也相应增加了子空间辨识的在线递推困难.为解决上述问题,本文针对连续时间系统提出基于随机分布理论的递推子空间辨识方法.首先,通过随机分布理论构建系统的连续随机分布函数,并利用微分计算获得系统等价的输入输出矩阵方程.然后,采用将输入输出数据矩阵"R"规模固定的方法,达到数据压缩的目的.最后,通过最小二乘法和残差分析法递推更新模型的系统矩阵和噪声强度直至达到辨识要求.仿真结果验证了所提方法的有效性和精确性.     

基于稀疏子空间选择的在线目标跟踪

本文在粒子滤波框架下提出一种基于稀疏子空间选择的两步在线跟踪方法.在跟踪的第一步,利用稀疏子空间选择算法筛选出与目标状态相似性较高的候选区域,并将目标与背景间的过渡区域定义为单独的类别以降低目标发生漂移的可能;第二步则通过构建有效的观测模型计算候选区域与目标状态间的相似性,其中相似性函数综合考虑二者在整体和局部特征上的相似性,且将目标的原始状态和当前状态都作为参考,因此增强了观测模型的可靠性;最后利用最大后验概率估计目标状态.此外,该算法通过对目标数据的更新来适应目标的表观变化.实验结果表明该算法能有效处理目标跟踪中的遮挡、运动模糊、光流与尺度变化等问题,与当前流行的9种跟踪方法在多个测试视频上的对比结果验证了该算法的有效性.     

基于新息估计和正交投影的闭环子空间模型辨识

针对闭环控制系统提出一种基于新息估计和正交投影的闭环子空间模型辨识方法.首先采用最小二乘法对VARX模型（Vector autoregressive with exogenous inputs model）进行计算得到新息估计值,然后通过将由观测输入输出数据构造的Hankel矩阵正交投影到新息数据的正交补空间以消除噪声影响,从而在无噪声的输入输出数据奇偶空间中提取得到扩展可观测矩阵和下三角形Toeplitz矩阵.最后采用平移变换法得到系统矩阵.对该算法严格分析和证明了实现一致估计的条件.通过仿真实例验证了本文方法的有效性和优越性.     

基于正交分解的递推子空间闭环辨识方法

为实现闭环系统在线辨识,提出递推正交分解闭环子空间辨识方法(RORT)。首先,根据闭环系统状态空间模型和数据间投影关系,构建确定-随机模型,并利用GIVENS变换实现投影向量的递推QR分解;然后,引入带遗忘因子的辨识算法,构建广义能观测矩阵的递推更新形式,以减少子空间辨识算法中QR分解和SVD分解的计算量;最后,针对某型号陀螺仪闭环系统进行实验。实验结果表明, RORT法的辨识拟合度高于91%,能够对陀螺仪闭环系统模型参数进行在线监测。     

一种子空间辨识的广义预测控制算法

针对广义预测控制(GPC)模型中输入输出数据可能存在噪声和系统先验结构信息未知导致的难于辨识问题,提出了一种子空间辨识的广义预测控制算法。该算法采用变遗忘因子的子空间辨识方法,按照预测优化值与参考输出值的误差构造变遗忘因子,调整采集数据权重,进行在线辨识以提高灵敏度和控制效果。实验结果验证了所提出算法的有效性。     

主奇异子空间跟踪算法与性能分析

主奇异子空间分析是一种自适应的神经网络信号处理技术,广泛应用于现代信号处理中.本文提出一种新的主奇异子空间跟踪信息准则,并以此为基础推导出一种在线的梯度流神经网络算法.理论分析表明,信息准则具有唯一的全局最小值,且最小值对应的状态矩阵能够恰好张成输入信号的主奇异子空间.该算法具有良好的收敛能力,强大的自稳定性能,且当输入信号呈现出奇异互相关特性时,仍呈现出良好的跟踪效果.分别采用李雅普诺夫函数方法和常微分方程方法分析算法的收敛性能和自稳定性. MATLAB仿真算例验证了算法的性能.     

Recursive subspace identification subject to relatively slow time-varying load disturbance

In this paper, a recursive subspace identification method is proposed to identify linear time-invariant systems subject to load disturbance with relatively slow dynamics. Using the linear superposition principle, the load disturbance response is decomposed from the deterministic-stochastic system response in the form of a time-varying parameter. To ensure unbiased estimation of the deterministic system matrices, a recursive least-squares (RLS) identification algorithm is established with a fixed forgetting factor, while another RLS algorithm with an adaptive forgetting factor is constructed based on the output prediction error to quickly track the time-varying parameter of load disturbance response. By introducing a deadbeat observer to represent the deterministic system response, two extended observer Markov parameter matrices are constructed for recursive estimation. Consequently, the deterministic matrices are retrieved from the identified system Markov parameter matrices. The convergence of the proposed method is analysed with a proof. Two illustrative examples are shown to demonstrate the effectiveness and merit of the proposed identification method.     

A robust correntropy based subspace tracking algorithm in impulsive noise environments

The maximum correntropy criterion (MCC) demonstrates the inherent robustness to outliers in adaptive filtering. By employing the MCC based cost function in projection approximation subspace tracking (PAST) algorithm, the MCC-PAST algorithm is deduced and utilized for the subspace tracking under impulsive noise environments. To handle the fast varying subspaces circumstances, the variable forgetting factor (VFF) technique is developed and incorporated into the MCC-PAST algorithm. To assess the robustness of the proposed MCC-PAST with VFF algorithm, SαS processes are employed to comprehensively model different scenarios of impulsive noises. The simulation results show the proposed MCC-PAST algorithm with VFF performs better than the other two PAST algorithms developed for subspace tracking in impulsive noise environments, namely, the robust PAST algorithm and the robust Kalman filter based algorithm with variable number of measurements (KFVNM), especially when the noise is extremely impulsive or the GSNR (generalized signal to noise ratio) is relatively low.     

基于一致图学习的鲁棒多视图子空间聚类

针对多视图数据分析易受原始数据集噪声干扰,以及需要额外的步骤计算聚类结果的问题,提出一种基于一致图学习的鲁棒多视图子空间聚类（RMCGL）算法。首先,在各个视图下学习数据在子空间中的潜在鲁棒表示,并基于该表示得到各视图的相似度矩阵。随后,基于得到的多个相似度矩阵学习一个统一的相似度图。最后,通过对相似度图对应的拉普拉斯矩阵添加秩约束,确保得到的相似度图具有最优的聚类结构,并可直接得到最终的聚类结果。该过程在一个统一的优化框架中完成,能同时学习潜在鲁棒表示、相似度矩阵和一致图。RMCGL算法的聚类精度（ACC）在BBC、100leaves和MSRC数据集上比基于图的多视图聚类（GMC）算法分别提升了3.36个百分点、5.82个百分点和5.71个百分点。实验结果表明,该算法具有良好的聚类效果。     

基于信号子空间的MMSE盲多用户检测

修正的最小均方误差(MMSE)多用户检测器解决了传统MMSE因引入特征值估计误差而导致检测性能下降的问题。基于修正MMSE多用户检测器,采用正交性能良好的改进PASTd算法跟踪子空间,提出一种基于改进PASTd的修正MMSE多用户检测算法,改进后的MMSE盲多用户检测误码率低,收敛速度快。仿真结果验证了该算法的有效性和可行性。