一种鲁棒的总体最小二乘自适应辨识算法

针对输入输出观测数据均含有噪声的系统辨识问题，提出了一种鲁棒的总体最小二乘自适应辨识算法．该算法在对总体最小二乘问题与向量的瑞利商及其性质研究的基础上，以被辨识系统的增广权向量的瑞利商(RQ)作为损失函数，利用梯度最陡下降原理导出权向量的自适应迭代算法，并利用随机离散学习规律对权向量模的分析修正了算法梯度，提高了算法的噪声鲁棒性，构成了一种噪声鲁棒的总体最小二乘自适应辨识算法．文中研究了该算法的收敛性能．仿真实验结果表明该算法的鲁棒抗噪性能和稳态收敛精度明显高于其它同类方法，而且可使用较大的学习因子，在较高的噪声环境下仍然保持良好的收敛性．     

基于Volterra 级数并行递推AP 算法的陀螺漂移预测

为了预测某导弹陀螺漂移趋势,以该陀螺漂移角速度时间序列为对象,建立基于Volterra级数的非线性时间预测模型,提出了一种基于Volterra级数的并行递推放射投影AP自适应算法.以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式;再利用矩阵求逆引理递推求取各阶Volterra子系统自相关逆矩阵导出算法.某导弹实测的陀螺漂移数据预测应用研究表明,该算法运算速度快、预测精度高.     

基于少参数二阶Volterra级数的陀螺漂移预测

针对陀螺漂移角速度的非线性时间序列预测问题,提出了一种基于少参数二阶(RPSO)Volterra级数的仿射投影(AP)自适应辨识算法,建立了基于RPSO Volterra级数的非线性预测模型。根据预测模型中两个参数向量位置可互换的特性,AP算法推导出两个结构相似的迭代公式。然后给出基于遗传算法优化AP算法步长参数及建模的完整步骤。最后通过实测的陀螺漂移数据验证所提出的算法,在极短的时间内建立出模型并获得了精确的预测结果。     

大型装备传动系统非线性频谱特征提取与故障诊断

基于Volterra级数的非线性频谱分析方法,建立了大型数控装备传动系统伺服电机的非线性频谱模型,对传动系统两类参数型故障的频谱特征进行了分析.在此基础上,提出一种实用的在线频谱特征提取与故障识别方法,采用自适应辨识算法求解时域Volterra核,用快速多维傅立叶变换获得非线性频谱特征.实验结果表明,该方法实时性好,故障识别率高.     

基于递推批量最小二乘的Volterra级数辨识方法

针对用批量最小二乘方法进行 Volterra级数在线辨识计算量大 ,所需数据存储空间多 ,以及实际应用时自相关矩阵易出现病态的不足 ,提出了一种基于递推批量最小二乘的 Volterral级数辨识方法 .该方法利用观测矩阵维数固定的批量最小二乘辨识 ,形式简单 ,所需数据存储空间小 ;同时利用递推辨识的思想 ,避免了对矩阵直接求逆 ,减小了计算量 .另外 ,为了防止自相关矩阵出现病态 ,文中引入影响因子的概念对观测数据进行取舍 ,一定程度上增强辨识的数值稳定性 .最后通过一个工程实例验证了该方法的有效性 .该方法为 Volterra级数的在线辨识提供了一个重要方法     

α稳定分布环境下的全解耦Volterra自适应滤波器

二阶Volterra系统二次项将稳定分布的尖峰脉冲特性放大,各阶因素之间耦合强,从而影响了算法的收敛性能。针对传统的Volterra滤波器的最小平均p范数算法(VLMP)的收敛性能有待进一步改进的问题,提出了全解耦结构,即在二阶Volterra子系统满足最小分散系数(MD)准则的条件下使一阶子系统再满足MD准则的约束优化,优化过程周期滚动循环,最终实现了全解耦。仿真结果表明本算法收敛速度快,抗噪声能力强。     

二阶Volterra变记忆长度LMP算法

针对实际应用中非线性系统记忆长度未知致使Volterra自适应滤波器可能无法达到最优性能的问题,提出一种二阶Volterra变记忆长度LMP算法。利用Volterra滤波器二阶权系数矩阵的对称性和对称矩阵可对角化分解性质,推导得到了一阶权系数与二阶权系数个数相同的信号矢量与权系数矢量内积的二阶Volterra滤波器输出信号表达式;提出了基于DCT的二阶Volterra自适应滤波器（CSVF）及其LMP算法（CSVLMP）;采用FIR抽头长度的自适应调整思想,提出了基于DCT的二阶Volterra变记忆长度LMP算法（CSVMLMP）。记忆长度未知的非线性系统辨识的仿真结果表明,在[α]稳定分布噪声背景下,该算法在收敛速度、稳态性能和计算复杂度之间达到了较好的折中。     

基于Volterra级数模型的非线性系统自适应控制稳定性研究

研究一类单输入单输出非线性系统的自适应控制问题, 这类系统能用有限阶离散Volterra级数模型表示. 采用递推最小二乘算法进行参数估计, 并通过解高次方程得到控制律. 结合反馈型Volterra级数系统的局部L稳定理论, 证明了算法的局部收敛性质. 通过对一个化工连续搅拌反应器 (CSTR)的过程控制进一步验证了该算法的有效性.     

一种分阶梯度加权平均变步长VLMP算法

通过平滑梯度矢量减小梯度估计误差,采用平滑梯度矢量的欧氏范数和误差信号的分数低阶矩更新步长因子,对一阶和二阶权系数采取分阶迭代更新,得到一种在[α]稳定分布噪声背景下变步长Volterra自适应滤波算法,分析证明了该算法的收敛性能。非线性系统辨识的仿真结果表明,算法较DOVLMP算法具有更快的收敛速度和更小的稳态失调。     

基于混沌的交通流量Volterra自适应预测模型*

采用基于混沌动力系统的相空间重构和非线性系统的Volterra级数展开式,构建了交通流量的Volterra自适应预测模型。其基本思想是首先采用Lyapunov指数判定交通流时间序列存在混沌的前提下,对该时间序列进行相空间重构;然后选择Volterra级数构造非线性预测模型,并采用LMS类型的自适应算法来实时调整模型的系数。应用该模型对Lorenz、Rossler和交通流时间序列进行仿真研究。结果表明,提出的Volterra自适应预测模型能有效地预测低维混沌时间序列和交通流时间序列。     

A methodology for control-relevant nonlinear system identification using restricted complexity models

A broadly-applicable, control-relevant system identification methodology for nonlinear restricted complexity models (RCMs) is presented. Control design based on RCMs often leads to controllers which are easy to interpret and implement in real-time. A control-relevant identification method is developed to minimize the degradation in closed-loop performance as a result of RCM approximation error. A two-stage identification procedure is presented. First, a nonlinear ARX model is estimated from plant data using an orthogonal least squares algorithm; a Volterra series model is then generated from the nonlinear ARX model. In the second stage, a RCM with the desired structure is estimated from the Volterra series model through a model reduction algorithm that takes into account closed-loop performance requirements. The effectiveness of the proposed method is illustrated using two chemical reactor examples.     

A hierarchical alternative updated adaptive Volterra filter with pipelined architecture

The pipelined adaptive Volterra filters (PAVFs) with a two-layer structure constitute a class of good low-complexity filters. They can efficiently reduce the computational complexity of the conventional adaptive Volterra filter. Their major drawbacks are low convergence rate and high steady-state error caused by the coupling effect between the two layers. In order to remove the coupling effect and improve the performance of PAVFs, we present a novel hierarchical pipelined adaptive Volterra filter (HPAVF)-based alternative update mechanism. The HPAVFs with hierarchical decoupled normalized least mean square (HDNLMS) algorithms are derived to adaptively update weights of its nonlinear and linear subsections. The computational complexity of HPAVF is also analyzed. Simulations of nonlinear system adaptive identification, nonlinear channel equalization, and speech prediction show that the proposed HPAVF with different independent weight vectors in nonlinear subsection has superior performance to conventional Volterra filters, diagonally truncated Volterra filters, and PAVFs in terms of initial convergence, steady-state error, and computational complexity.     

Volterra 泛函级数在非线性系统辨识中的应用

利用Volterra泛函级数描述非线性系统，将非线性系统辨识问题转化为标准的最小二乘问题，并通过QR分解进行求解，在对输入矩阵P进行Householder变换过程中，提出利用输入向量对输出向量的影响因子进行P阵的列选择，同时完成模型辨识，有效地克服了Volterra泛函数辨识中维数灾难问题，数字仿真表明了该方法的有效性。     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

基于乘积耦合Volterra模型的短时交通流预测

基于混沌序列固有的非线性和确定性机制以及Volterra级数的非线性表征能力,提出一种短时交通流预测的三阶Volterra模型。针对Volterra模型随阶数增加复杂度以幂次方增加的问题,研究了该模型的乘积耦合近似实现结构。首先,采用互信息法和虚假邻点法选取时间延迟和嵌入维数,并采用小数据量法计算Lyapunov指数判定交通流是否具有混沌特性;然后,建立三阶Volterra滤波器的乘积耦合近似实现结构,并采用一种改进的非线性归一化最小均方(NLMS)算法实时调整模型系数;最后,对高速公路实测交通流的预测结果表明,交通流中存在混沌特征,应用构建的预测模型可有效地对交通流进行预测,且降低了模型的复杂性。     

非线性系统的参数空间分割辨识方法

本文提出了一种新的非线性系统Volterra级数模型辨识方法,为非线性系统辨识中 的“维数灾难”问题提供了一种满意的解决．算法中参数空间分割和模型辨识同时完成,降 维依据采用输出拟合结果的均方误差,最终得到输出拟合均方误差意义上的准最优解．本算 法也可以作为非线性系统模型的结构辨识算法,并可以直接推广应用于其它很大一类非线性 系统模型．仿真试验结果表明,算法计算量小,精度高,并具有较好的稳定性,可以应用于 在线实时辨识．