直升机非线性模型结构和参数鲁棒辨识方法

提出了一种能有效地对直升机模型进行辨识的鲁棒选择模型的新方法．通过分析数据矩阵模型判定方法,采用U—D分解方法以避免行列式的复杂计算,提高了计算效率．通过估计D阵元素的取值区间,得到了观测量不确定部分带来的模型辨识判据的误差上下界．依此判据,将候选模型按照重要程度逐个选取．参数估计采用了加权最小二乘算法,按照上界不等式对估计误差的协方差阵进行了估计,得到了鲁棒辨识的新算法．为了便于工程应用,给出了鲁棒辨识算法的收敛条件．根据飞行试验结果对直升机悬停、前飞模型和参数进行辨识的结果表明,新方法可以得到工程上满意的结果．     

信号建模(3):多频信号模型的递推参数估计

利用梯度搜索、牛顿搜索、多新息辨识理论,研究多频标准正弦信号的建模问题,提出了相应的最小均方参数辨识算法、随机梯度参数辨识算法、多新息随机梯度参数辨识算法、递推梯度参数辨识算法、牛顿递推参数辨识算法等,给出了几个典型辨识算法的计算步骤。文中的方法可以推广到其它多频信号模型的参数辨识。     

衰减激励条件下随机系统最小二乘的收敛性

利用随机过程理论 ,研究了随机系统最小二乘辨识算法在衰减激励条件下的均方收敛性 ,给出了参数估计误差收敛于零时 ,衰减指数应满足的条件 .得到了如下结论 :1 当衰减指数 ε 满足 0≤ε <1/ 2时 ,估计误差收敛于零 2 当ε=1/ 2时 ,估计误差有界 3 当ε>1/ 2 时 ,估计误差发散     

传递函数辨识(8):基于正弦响应的参数估计方法

针对不同极点惯性环节并联系统和不同极点惯性环节串联系统,利用多频组合正弦信号作为输入,通过测量系统的输出数据,基于二次优化和非线性优化技术,推导了估计传递函数参数的最小均方算法、随机梯度算法、多新息随机梯度算法、递推梯度算法等,并与梯度迭代算法、牛顿迭代算法相结合,提出了辨识传递函数参数的耦合递推—迭代辨识算法,文中的方法可以推广用于其他传递函数描述的动态系统参数辨识,如具有共轭极点、重极点传递函数参数的辨识以及任意非线性函数的参数估计。     

传递函数辨识(12):频率响应递推参数估计(串联情形)

针对不同环节串联而成的系统,根据系统的幅频特性数据和相频特性数据,利用梯度搜索、牛顿搜索,以及多新息辨识理论和耦合辨识概念,分别研究了幅频特性、幅频相频联合、幅频相频耦合的最小均方算法、随机梯度算法、多新息随机梯度算法、递推梯度算法、多新息递推梯度算法、牛顿递推算法等。文中的方法可以推广用于其他传递函数描述的动态系统参数辨识,如具有共轭零点极点、重零点极点传递函数的参数辨识以及任意非线性函数的参数估计。     

传递函数辨识(11):频率响应递推参数估计(并联情形)

工程中,频率特性又称频率响应。针对不同极点惯性环节并联而成的系统,利用正弦激励信号作为输入,通过测量系统的频率特性观测数据,基于二次优化和非线性优化技术,推导了估计传递函数参数的最小均方算法、随机梯度算法、多新息随机梯度算法、递推梯度算法、多新息递推梯度算法、牛顿递推算法,以及结合实频特性和虚频特性观测数据的联合递推辨识算法和耦合递推辨识算法。文中的方法可以推广用于其他传递函数描述的动态系统参数辨识,如具有共轭极点、重极点传递函数参数的辨识以及任意非线性函数的参数估计。     

系统辨识(5):迭代搜索原理与辨识方法

递推辨识与迭代辨识构成了两类重要的参数估计方法.递推辨识的递推变量与时间有关,因而可以用于在线估计系统参数;迭代辨识的迭代变量是自然数,与客观世界的时间无关,通常用于离线估计系统参数.基于辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念等辨识方法都可以用递推算法和迭代算法实现.迭代方法渊源很早,如求解矩阵方...     

一种SIMO多信道系统盲辨识方法

提出了一种SIMO信道的盲辨识方法．SIMO系统的多个信道输出可重新组合为具有循环平稳特性的输出序列,该输出序列的自相关矩阵可分解为信号子空间和噪声子空间,利用信号子空间与噪声子空间正交的特必可分别求解出各信道的模型参数．与传统高阶矩方法相比,该算法运算复杂度低,具有更快的辨识速度,更适合高速数据传输信道的辨识．仿真结果说明此算法具有较高的辨识精度．     

基于动态折息因子递推最小二乘法的 永磁同步电机参数辨识

针对传统递推最小二乘法（RLS）辨识永磁同步电机（PMSM）参数精度较差问题,提出了一种动态折息RLS的PMSM参数辨识方法。在PMSM数学模型基础上建立了多参数辨识模型,实现了多参数实时辨识;对RLS引入动态折息因子,通过估计误差对其实时调整,克服了传统RLS数据饱和与估计精度较差问题。仿真分析和实验结果表明,在不同工况下,所提方法在辨识电机定子电阻、定子电感和永磁磁链参数的误差均控制在1%以内,比传统参数辨识方法具有更好的辨识精度与快速性。     

基于输出估计的多输入系统随机梯度估计算法

对于输出误差模型描述的多输入单输出系统,辨识的困难在于辨识模型信息向量中包含系统未知输出量(真实输出或无噪输出),以致标准辨识算法无法应用.提出了利用输出估计代替系统真实输出的辨识思想,即通过估计模型预测(估算)系统输出,利用这个估计输出来递推计算系统参数,进而提出了基于输出估计的随机梯度辨识算法,并研究了算法的收敛性,给出了仿真例子.     

系统辨识(6):多新息辨识理论与方法

多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.     

航天飞机动力学参数的辨识算法研究

再入段复杂的环境条件导致航天飞机动态模型的结构参数以较快的速度变化，从而影响整个飞行控制系统的控制品质．对此，本文采用一种新的辨识算法估计结构参数，计算结呆验证了算法的有效性．     

规范状态空间系统辨识方法

因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程(递阶计算过程).沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.     

基于基展开模型的时变信道阶数和径数盲估计

针对基展开模型的时变信道阶数和径数盲估计问题,采用了一种子空间投影算法来进行估计。该算法充分利用输入子空间和输出子空间具有的同构关系,将当前的观测数据投影到由过去和将来的观测数据所张成的子空间,其投影误差矩阵包含了时变信道的阶数和径数信息,进而可通过求投影误差矩阵的秩和范数来估计信道阶数和径数。仿真表明,与MDL、AIC和Liavas准则相比,该算法可在较低的信噪比下实现时变信道的阶数估计。     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

同元次分数阶模型的一种具有稳定约束的频域辨识算法

摘 要：为了进一步提高同元次分数阶模型的辨识精度与可靠性,提出一种具有稳定约束的可分离非线性最小二乘法(记为:SC-SNLS)来优化频域均方误差指标函数。模型中线性参数与非线性参数分别用最小二乘法与Levenberg-Marquardt(LM)法来交替迭代估计。通过对线性参数估计值的扰动分析,揭示了优化算法的四种不稳定因素,并在迭代中加以约束与处理,从而增强优化算法的稳定性与收敛性。仿真结果表明,该辨识算法性能优于相关的算法,具有更高的辨识精度与收敛速度。     

A Two－Stage Approach of Integrated Parameter Identification and State Estimation

ＡＴｗｏ－ＳｔａｇｅＡｐｐｒｏａｃｈｏｆＩｎｔｅｇｒａｔｅｄＰａｒａｍｅｔｅｒＩｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄＳｔａｔｅＥｓｔｉｍａｔｉｏｎＺＨＯＵＬｕ；ＷＵＹａｏｈｕａ；ＨＵＡＮＧＷｅｎｈｕ；ＷＥＮＸｉｎ（周露）（吴瑶华）（黄文虎）（闻新）（Ｄｅ...     

基于逆运动学的6-UPS并联机构运动学参数辨识方法

为了提高6-UPS并联机构的定位精度,研究了一种基于逆运动学的6-UPS并联机构运动学参数辨识方法.首先基于逆运动学建立了6-UPS并联机构的运动学参数辨识模型,然后通过Levenberg-Marquardt最小二乘法对模型进行求解,最后对该算法进行了仿真验证.结果表明该算法可以很快收敛,在测量设备没有测量误差的理想状态下,参数辨识精度达到10-10mm.在测量设备存在1μm、1″的误差状态下,参数辨识精度达到10-3mm,足以满足大部分应用场合下6-UPS的位姿精度要求.