损失数据线性参数系统的递推最小二乘辨识方法

针对损失数据线性参数系统的参数辨识问题, 借助辅助模型辨识思想推导出其变递推间隔辅助模型递 推最小二乘算法.为了提高该算法的计算效率, 利用分解技术得到变递推间隔分解递推最小二乘算法 估计系统参数.此外, 在变递推间隔分解递推最小二乘算法中引入遗忘因子, 从而提高参数估计精度和收敛速度.仿真结果表明, 所提出的算法能有效估计系统参数.     

有色噪声干扰输出误差系统的偏差补偿递推最小二乘辨识方法

借助于偏差补偿原理和预滤波思想, 推导了有色噪声干扰输出误差系统参数估计的偏差补偿递推最小二乘 (Bias compensation recursive least squares, BCRLS) 辨识方法. 该方法降低了辨识对输入信号平稳性的要求, 实现了偏差补偿方法参数估计的递推计算, 可以用于在线辨识. 提出的递推 BCRLS 辨识方法优于非递推偏差补偿最小二乘算法, 提高了参数估计精度. 仿真试验证实了算法的有效性.     

多元系统耦合带遗忘因子有限数据窗递推最小二乘辨识方法

针对多元线性或非线性回归系统, 将耦合辨识思想与带遗忘因子有限数据窗辨识理论相结合, 提出一种耦合带遗忘因子有限数据窗递推最小二乘辨识算法. 该算法每次递推计算时既不涉及矩阵求逆运算, 又可以克服数据饱和现象, 因此, 该算法不仅计算效率高, 而且可以快速地跟踪时变参数, 获得精确的参数估计. 通过辨识基于多元模型的永磁同步电机参数的实例, 验证了所提出算法的有效性和实用性.

     

广义输出误差模型的两阶段最小二乘递推辨识

在有色噪声干扰系统中有一类系统, 它具有广义输出误差模型(OEARMA), 本文提出一类广义输出误差模型的 两阶段递推最小二乘参数估计算法. 该算法基本思想是结合辅助模型辨识思想和分解技术, 将系统分解成两个子系统, 每个子系统包含一个参数向量. 借助基于辅助模型和递推最小二乘理论, 用辅助模型的输出代替辨识模型信息向量中未 知中间变量, 用估计残差代替信息向量中不可测噪声项, 从而可以运用递推辨识思想来估计系统所有参数. 该算法具有 较高的计算效率, 仿真例子说明提出算法的有效性.     

Hammerstein-Wiener系统的递推贝叶斯参数辨识算法

为了辨识一类非线性Hammerstein-Wiener系统,基于递推贝叶斯算法和奇异值分解,提出了一种两阶段在线辨识算法。该算法首先利用递推贝叶斯算法估计乘积项参数,然后利用奇异值分解得到待估计参数。仿真结果表明,所提算法可以以较小的计算量获得精度较高的参数估计值。     

一类非线性系统参数辨识的新方法及其在生化发酵过程建模中的应用

本文运用按段多重Legendre多项式系(PMLP)[1],对一类参数可分离的非线性系统的 参数辨识给出一种新方法,所提算法具有精度高、计算量小、不必具有待辨识参数的先验知识 和可进行递推辨识等优点.该算法已成功地应用于只有少量实测数据的螺旋霉素菌体生长模 型的动力学参数的辨识.结果表明,此算法是该类非线性系统的一种有效和简便的参数辨识 方法.     

一类有输入噪声扰动的逆系统无偏参数辨识算法研究

对逆系统建模时,原系统的输出作为逆系统参数辨识时的输入.由于原系统输出存在测量噪声,且噪声方差未知,采用普通最小二乘法辨识,无法得到逆系统参数的一致无偏估计.为此,本文研究了一种有输入扰动的的逆系统无偏参数辨识算法,该算法先通过小波变换估计输入信号噪声的方差,再由估计得到的方差,通过偏差消除的递推最小_乘法,对逆系统的参数进行无偏辨识.该算法降低了对输入辨识信号为白噪声的要求,具有较强的实用性.由于采用递推运算,该算法也可以用于逆系统参数的在线辨识.最后,通过实验验证了该算法的有效性.     

一类系统参数辨识的按段多重一般正交多项式方法

本文介绍了按段多重一般正交多项式系及其基本性质,并把它们应用于参数可分离系统的参数辨识.由于采用了按段低阶正交多项式多重逼近技术,该方法具有计算量少、结果精度高、可递推计算及不需要被辨识参数的初始估计等优点.本文提出了两个算法,并成功地应用于发酵过程细菌生长动力学模型的参数辨识.     

一种基于T-S模糊模型的自适应预测函数控制

针对离散时间非线性系统,提出了一种基于T-S模糊模型的自适应预测函数控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型后件参数,以克服模型失配对系统性能的影响。根据辨识得到的模型参数直接递推计算模型的预测输出,而不需要求解Diophantine方程,进而直接递推求解预测控制律,而不需要求解矩阵逆。仿真结果表明,该算法具有良好的跟踪性能和较强的鲁棒性。     

随机系统的递推辨识: 从个例到一般框架

本文考察Hammerstein系统、Wiener系统和非线性带外源输入的自回归系统(autoregressive system with exogenous input,ARX)等常见的随机非线性系统的递推辨识和因特网PageRank的分布式、随机化算法.对非线性系统分别构造递推辨识算法,证明了估计的强一致性;对因特网PageRank的分布式、随机化算法,给出估计的强一致性和收敛速度;在此基础上,总结了这类问题的统一处理框架–将辨识(估计)问题转化为函数求根、进而基于随机逼近构造算法得到强一致的递推辨识;最后,通过数值例子来验证算法的有效性.     

Recursive identification for multivariate autoregressive equation-error systems with autoregressive noise

This paper considers the recursive identification problems for a class of multivariate autoregressive equation-error systems with autoregressive noise. By decomposing the system into several regressive identification subsystems, a maximum likelihood recursive generalised least squares identification algorithm is proposed to identify the parameter vectors in each subsystem. In addition, a multivariate recursive generalised least squares algorithm is derived as a comparison. The numerical simulation results indicate that the maximum likelihood recursive generalised least squares algorithm can effectively estimate the parameters of the multivariate autoregressive equation-error autoregressive systems and get more accurate parameter estimates than the multivariate recursive generalised least squares algorithm.     

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.     

基于奇异值分解的递推辨识方法

本文提出一种基于奇异值分解的递推最小二乘辨识新方法，该方法不仅在很好的收敛性和数值稳定性，而且在系统的输入信号不满足持续激励的充分必要条件下，仍能得到系统参数的无偏估计，仿真计算结果证明了本方法的有效性和优越性。     

Identification algorithm based on the approximate least absolute deviation criteria

Considering the situation that the least-squares (LS) method for system identification has poor robustness and the least absolute deviation (LAD) algorithm is hard to construct, an approximate least absolute deviation (ALAD) algorithm is proposed in this paper. The objective function of ALAD is constructed by introducing a deterministic function to approximate the absolute value function. Based on the function, the recursive equations for parameter identification are derived using Gauss-Newton iterative algorithm without any simplification. This algorithm has advantages of simple calculation and easy implementation, and it has second order convergence speed. Compared with the LS method, the new algorithm has better robustness when disorder and peak noises exist in the measured data. Simulation results show the efficiency of the proposed method.     

基于随机配置网络的非线性系统智能建模方法

针对一类非线性离散动态系统,研究非线性系统的智能建模方法.首先,采用带遗忘因子的递推最小二乘法对低阶模型的未知参数进行辨识;然后,对高阶非线性部分采用随机配置网络进行估计;最后,利用两种辨识方法在外部误差准则下对系统进行交替辨识,进而提出一种改进的非线性系统交替辨识的智能建模方法.将随机配置网络与递推最小二乘算法相结合,可有效提高非线性系统的辨识精度,并且通过数值仿真实验进行对比分析以验证所提出算法的有效性.     

递推子空间模型辨识算法的研究与仿真

为了很好的解决在线辨识系统模型问题,在对子空间模型辨识研究的基础上,结合递推最小二乘算法和子空问状态辨识方法。推导了子空间状态辨识的递推算法。该算法不仅解决了在线辨识问题,而且算法简单,计算方便,很好地克服了在线辨识时子空间矩阵维数的变化问题。经仿真研究表明,该递推算法克服了一次完成算法在大批量数据运算时,耗时大,专用内存多的缺点,而且对于测量和过程均有噪声干扰的多输入多输出系统,有很好的辨识效果,有较为广阔的应用前景。     

采用正交函数辨识电液控制系统

本文采用正交函数BPF将含有未知参数的系统线性微分方程转化为代数向量方程进行求 解而完成辨识过程,获取表征系统特性的传递函数或微分方程参数.仿真辨识及对实际电液 控制系统的辨识结果均表明,BPF辨识法具有原理简洁、实现方便及辨识精度高等优点.任 何可积函数均可作为辨识输入信号,辨识过程可由递推算法实现.所以BPF辨识法能方便有 效地用于动态过程的系统实时在线辨识.     

模型在线辨识方法及其应用

本文提出了一种有效的非线性模型和参数在线估计方法。为了实现模型在线辨识，本文根据误差性能指标，给出了模型判据及计算式。根据递推加权最小二乘算法和优选判据，导出了模型和参数同时在线估计的有效算法。为了提高计算效率和数值稳定性，模型辨识和参数辨识均采用了Ｕ－Ｄ分解方法。新方法可用于飞行器非线性气动模型和参数的实时估计。实际应用结果表明，使用该方法可以有效地确定多项式、样条函数模型结构，参数辨识的结果满     

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.     

径向基函数神经网络的新型混合递推学习算法

从径向基函数网络的硬件实现和实时应用的角度出发，给出了RBF网络的一种新型混合递推学习算法．该算法既具有良好的数值性质又易于并行实现．把RBF网络用于非线性系统在线辨识，仿真结果显示了本文方法的有效性．