基于高阶累积量的Hammerstein模型记忆效应辨识

旨在研究存在加性高斯噪声时,Hammcrstcin模型的记忆效应辫识问题。在输入信号统计量和Hammcrstein模型的无记忆非线性效应均未知的情况下,利用模型输出信号的高阶累积量建立两种线性方程组,并从理论上证明了两种线性方程组均具有唯一解;提出将两个线性方程组结合使用的系数提取方法,其过程不受Hammerstein模型的无记忆非线性模块影响。最后的仿真结果表明,在高斯(有色或无色)噪声存在的情况下,此类辫识方法比直接提取参数法具有更好的数值鲁棒性。     

辨识Hammerstein模型的两步法

本文利用稳态和动态信息提出了一种辨识Ｈａｍｍｅｒｓｔｅｉｎ模型的新方法－两步法，该方法利用稳态信息获取非线性增益的强一致性估计，利用动态信息获取线性子系统未知参数的强一致估计，该方法具有计算简单和辨识精度高等优点，最后的仿真结果说明了该方法的有效性和实用性。     

一类双线性Hammerstein模型的集成辨识方法

对于一类静态非线性增益具有原点对称特性的双线性Ｈａｍｍｅｒｓｔｅｉｎ模型,提出了一种稳态与动态辨识相结合的集成辨识方法。该方法利用稳态信号获得稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获得双线性Ｈａｍｍｅｒｉｓｔｅｉｎ模型的双线性系统未知参数的一致性估计。仿真结果表明了该方法的有效性和实用性。     

应用遗传算法辨识Hammerstein模型

基于遗传算法,提出了一种辨识Hammerstein模型的方法,该方法能够克服有色观测噪声的污染,获得非线性静态环节参数和线性动态环节参数的无偏估计,并与Hammerstein模型的MSLS辨识方法进行了比较,仿真结果说明了该方法的有效性。     

基于人工神经网络的Hammerstein模型辨识

证明了Ｈａｍｍｅｒｓｔｅｉｎ模型在有色噪声情况下，可利用系统的稳态信息辨识模型的非线性增益，并提出了神经元网络的辨识方法。利用系统的动态信息，运用一般的辅助变量法可辨识Ｈ模型的线性子系统。仿真结果表明该方法辨识精度高，具有一定的实用性。     

Hammerstein模型辨识的回顾及展望

Hammerstein模型是一类具有特定结构的典型非线性模型,由静态非线性环节和动态线性环节串联而成,能较好地反映过程特征的特点,可以描述一大类非线性过程.本文结合Hammerstein模型辨识的基本过程和特点,从Hammerstein模型中间变量不可测量的角度出发,首先按静态非线性环节与动态线性环节同步辨识法和分步辨识法综述了Hammerstein模型的相关理论和方法;然后,分析了现有的基于Hammerstein模型的控制系统设计方案;最后对Hammerstein系统未来可能的研究提出若干看法.     

一类多变量Hammerstein模型的参数辨识方法

通过对系统输入信号的设计,使Hammerstein系统输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉.利用最小二乘辨识得到系统的线性动态模型.基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了多变量Hammerstein系统辨识的动态分离方法.仿真结果表明所提出的方法是有效的.     

一种辨识Hammerstein模型的新方法

本文结合参数估计理论和函数逼近论中的一些理论结果,提出了一种开环辨识Hammerstein模型的新方法.这种方法能够克服目前广泛采用的辨识Hammerstein模型的方法中的缺点,获得模型线性动态部分参数的渐近无偏估计及无记忆非线性特性,具有接近最佳逼近效果和较好收敛性的逼近多项式.     

非线性Hammerstein系统辨识的动态分离方法

利用同幅值的M序列和逆M序列作为输入信号, 对Hammerstein模型中的线性动态部分进行分离处理, 通过辨识得到一个线性动态模型. 基于此线性模型, 依据系统的测量输出重构出系统的中间输入. 最后由系统的测试输入和中间输入估计出非线性部分的参数. 仿真结果表明本方法的有效性.     

基于Hammerstein模型预测控制的分析与研究

针对基于Ｈａｍｍｅｒｓｔｅｉｎ模型非线性预测控制中,由中间量经解方程求控制量出现的问题,深入地控制了用两各以方法处理该问题对系统控制质量的影响,得出了相应的结论。     

Blind maximum likelihood identification of Hammerstein systems

This paper is about the identification of discrete-time Hammerstein systems from output measurements only (blind identification). Assuming that the unobserved input is white Gaussian noise, that the static nonlinearity is invertible, and that the output is observed without errors, a Gaussian maximum likelihood estimator is constructed. Its asymptotic properties are analyzed and the Cramér–Rao lower bound is calculated. In practice, the latter can be computed accurately without using the strong law of large numbers. A two-step procedure is described that allows to find high quality initial estimates to start up the iterative Gauss–Newton based optimization scheme. The paper includes the illustration of the method on a simulation example. A theoretical analysis demonstrates that additive output measurement noise introduces a bias that is proportional to the variance of that additive, unmodeled noise source. The simulations support this result, and show that this bias is insignificant beyond a certain Signal-to-Noise Ratio (40 dB in the example).     

应用退火演化算法辨识哈默斯坦模型

本文介绍了一种基于进化策略的新型模拟退火算法--退火演化算法,该算法将进化策略引入模拟退火算法中,通过变异和选择等步骤不断改善解的群体,而不是像传统的模拟退火算法那样仅仅采取单点迭代的方法。退火演化算法加强了对解的构成空间的整体把握,提高了搜索效率和精度,尤其对多峰函数具有良好的最优解搜索能力,并且具有较强的鲁棒性和灵活性。本文将其应用于哈默斯坦模型的参数辨识,仿真结果说明了该方法的有效性。     

状态空间模型下的Hammerstein系统的递推子空间辨识方法

一般来说, 单输入单输出情形下的Hammerstein系统可以由转移函数来表示, 而对于多输入多输出情形下的系统其输入与输出间的关系难以表示. 本文基于Hammerstein系统的状态空间模型, 研究了其子空间辨识方法. 在开环情形, 对Hammerstein系统给出了在其非线性函数可以由有限基函数线性表示的情形的子空间辨识方法, 及其递推实现. 并且初步分析了这些方法的渐近性质. 针对这一方法, 我们给出了一个数据模拟实例分析方法的优劣.     

应用Hammerstein模型辨识受相关噪声扰动的非线性系

本文提出了一种用于Ｈａｍｍｅｒｓｔｅｉｎ模型参数估计的偏差补偿最小二乘法。当观测数据被未知有色噪声污染时，应用本文方法可在缺少任何有关噪声先验信息的情况下实现参数的渐近无偏估计。     

Hammerstein模型的改进新型神经动力学辨识方法及其在混合建模中的应用

推导了多输入多输出Hammerstein模型的矩阵格式,并提出了一种改进的新型神经动力学算法.应用此算法,可同时辨识出Hammerstein模型的多组未知参数,提高了收敛精度和速度.首先,对改进的新型神经动力学算法进行了参数的收敛性分析.之后,推导了基于Hammerstein模型的混合模型,并利用其建立实际模型与机理模型之间的偏差模型,具有很好的补偿效果.由于改进的新型神经动力学方法可以在线调整Hammerstein模型参数,所以混合模型可以准确地模拟复杂过程在大范围内的动态行为.实验表明该方法的合理性和有效性.