MISO系统辅助模型多新息增广随机梯度算法

对于有色噪声干扰的输出误差多输入单输出(MISO)系统,常规的递推最小二乘辨识方法给出的参数估计是有偏的.为了提高随机梯度辨识方法的收敛精度和速度,用辅助模型的输出代替辨识模型信息向量中的未知不可测变量,推导出其辅助模型增广随机梯度辨识算法;再引入新息长度扩展标量新息为新息向量,提出了基于辅助模型的MISO系统多新息增广随机梯度辨识算法.所得算法在每一次的迭代中不仅使用了当前数据和新息,而且使用了过去数据和新息,提高了参数估计精度和收敛速度.仿真例子验证了算法的有效性.     

MISO系统辅助模型多新息增广随机梯度算法

对于有色噪声干扰的输出误差多输入单输出（MISO）系统,常规的递推最小二乘辨识方法给出的参数估计是有偏的。为了提高随机梯度辨识方法的收敛精度和速度,用辅助模型的输出代替辨识模型信息向量中的未知不可测变量,推导出其辅助模型增广随机梯度辨识算法;再引入新息长度扩展标量新息为新息向量,提出了基于辅助模型的MISO系统多新息增广随机梯度辨识算法。所得算法在每一次的迭代中不仅使用了当前数据和新息,而且使用了过去数据和新息,提高了参数估计精度和收敛速度。仿真例子验证了算法的有效性。     

基于辅助模型的多新息广义增广随机梯度算法

将辅助模型辨识思想与多新息辨识理论相结合,利用系统可测信忠建立一个辅助模型.分别用辅助模型输出和噪声估计值代替辨识模型信忠向量中未知真实输出变量和不可测噪声项,并引入新忠长度扩展标量新息为新息向量,提出了Box-lenkins模型的辅助模型多新忠广义增广随机梯度辨识方法.所提出方法重复使用系统数据,能够改善参数估计精度,加快算法的收敛速度.     

多变量系统辅助模型多新息随机梯度辨识方法

针对多变量输出误差系统的模型辨识问题,借助辅助模型思想推导出其随机梯度辨识算法;由于该算法的收敛速度慢,为了提高收敛速度,将算法中的新息向量扩展成新息矩阵,得到基于辅助模型的多新息随机梯度辨识算法;辅助模型多新息算法使用新息矩阵对参数进行校正估计,该新息矩阵不仅包含了当前时刻的新息向量,还包含过去多个时刻的新息向量,因而,与辅助模型随机梯度算法和增广随机梯度算法相比,该算法具有更快的收敛速度;一个二输入二输出的仿真例子证明了所提出的算法的确具有更快的收敛速度.     

多变量输出误差系统的辅助模型随机梯度辨识算法

考虑了多变量输出误差系统的辨识问题. 使用系统可得到的输入输出数据构造一个辅助模型, 用辅助模型的输出代替信息向量中的未知变量, 提出了一个基于辅助模型的随机梯度辨识算法. 使用鞅收敛定理的收敛性分析表明: 提出的算法给出的参数估计收敛于它们的真值. 给出了带遗忘因子的辅助模型随机梯度算法来改进参数估计精度, 仿真结果证实了提出的结论.     

基于移动数据窗的传递函数多新息随机梯度辨识方法

一些工业过程可以近似用一个传递函数描述,结合统计辨识方法和非线性优化策略提出传递函数参数辨识方法.该方法采用动态数据方案,使用系统观测数据获得系统更多的模态信息.基于动态观测数据,提出传递函数随机梯度参数辨识方法.为进一步提高辨识精度,利用动态窗数据将随机梯度参数辨识方法中的标量新息扩展为新息向量,提出传递函数多新息随机梯度参数估计方法.最后通过仿真例子对所提出的方法进行了性能分析和模型验证.     

非均匀采样多率ARMAX系统RELS算法性能分析

针对一类有色噪声干扰的非均匀采样多率ARMAX系统的辨识问题,基于增广参数维数理论,将系统模型参数化,将信息向量中含有的不可测噪声项用其估计残差代替,推导了非均匀采样ARMAX系统的递推增广最小二乘（RELS）算法;利用鞅收敛定理对该算法的收敛性进行了理论分析,结果表明该算法在噪声方差有界和广义持续激励的条件下能够收敛到真参数。仿真例子验证了该算法具有良好的收敛速度与估计精度。     

非均匀采样多率ARMAX系统RELS算法性能分析

针对一类有色噪声干扰的非均匀采样多率ARMAX系统的辩识问题,基于增广参数维数理论,将系统模型参数化,将信息向量中含有的不可测噪声项用其估计残差代替,推导了非均匀采样ARMAX系统的递推增广最小二乘(RELS)算法;利用鞅收敛定理对该算法的收敛性进行了理论分析,结果表明该算法在噪声方差有界和广义持续激励的条件下能够收敛到真参数.仿真例子验证了该算法具有良好的收敛速度与估计精度.     

非均匀采样系统多新息随机梯度辨识性能分析

针对一类非均匀采样系统,提出了其输入输出表达的多新息随机梯度辨识方法．该方法将随机梯度算法中的新息项扩展为向量,有效利用了历史新息所包含的信息,从而提高辨识精度和算法的收敛速度,同时又保留了随机梯度算法计算量小的优点．仿真例子通过改变新息长度,验证了所提出辨识算法性能的优越性．     

反馈非线性系统随机梯度辨识算法及其收敛性

反馈非线性受控自回归系统是由前向通道的受控自回归模型和反馈通道的静态非线性构成, 这类系统经过参数化后得到双线性参数辨识模型. 本文通过对辨识模型中双线性参数乘积项进行分解, 基于梯度搜索原理, 提 出了反馈非线性系统的随机梯度辨识算法. 为了改善随机梯度算法的收敛速度, 引入遗忘因子, 文章给出了遗忘因子随机梯度算法, 利用随机过程理论, 建立了随机梯度算法的参数估计收敛定理, 证明了算法的收敛性. 最后, 通过数值仿真验证了算法的有效性.     

Modeling and Identification of Multirate Systems

Multirate systems are abundant in industry; for example, many soft-sensor design problems are related to modeling, parameter identification, or state estimation involving multirate systems. The study of multirate systems goes back to the early 1950s, and has become an active research area in systems and control. This paper briefly surveys the history of development in the area of multirate systems, and introduces some basic concepts and latest results on multirate systems, including a polynomial transformation technique and the lifting technique as tools for handling multirate systems, lifted state space models, parameter identification of dual-rate systems, how to determine fast single-rate models from dual-rate models and directly from dual-rate data, and a hierarchical identification method for general multirate systems. Finally, some further research topics for multirate systems are given.     

多采样率数字控制系统的函数空间模型

采用函数空间的方法 ,利用提升 (lifting)技术 ,构造出多采样率数字控制系统的函数空间模型 .该线性时不变离散模型同时描述了被控对象在采样点上和采样点之间的动态行为 .根据这种模型所设计的多采样率数字控制系统 ,有望克服目前多采样率数字控制系统所存在的采样点之间存在有纹波或振荡等弊病 ,为多采样率数字控制系统的分析与综合提供了一个新的方法 .     

一种基于小波多分辨分析的多率采样系统辨识方法

基于小波多分辨分析理论并结合面向控制的辨识思想, 提出一种多率采样系统分频段加权辨识方法. 首先研究了采样信息的一致性重构问题, 然后给出一种新颖的分频段加权辨识方法. 此方法的最大特点是对噪声不敏感, 易实现对感兴趣频段的精确建模, 便于和控制系统设计相配合. 仿真结果验证了这种方法的可行性.     

非均匀采样数据系统的一种辨识方法

阐述了非均匀采样方案,推导了非均匀多率采样系统的状态空间模型,进一步获得了对应的传递函数模型.为解决辨识模型信息向量中存在未知变量的问题,使用辅助模型技术,用辅助模型的输出代替系统的未知变量,进而提出了非均匀采样数据系统的辅助模型随机梯度辨识算法.为了提高算法收敛速度和改善参数估计精度,在算法中引入遗忘因子,给出了相应的辅助模型带遗忘因子随机梯度算法.仿真结果表明,引入遗忘因子后,算法的收敛速度加快,参数估计精度提高.     

一般双率随机系统状态空间模型及其辨识

对于双率采样数据系统,本文使用提升技术,推导了双率系统的提升状态空间模型.对于系统状态可测量的双率系统,利用最小二乘原理辨识提升系统模型的参数矩阵;对于状态不可测的未知参数双率系统,利用递阶辨识原理,提出了双率系统递阶状态空间模型辨识方法,来辨识系统的状态和参数.具体做法:基于获得的状态估计和提升系统的输入输出数据递归估计系统参数,然后基于获得的参数估计,计算系统的状态.     

多变量系统的辅助模型辨识方法的收敛性分析*

丁锋，谢新民[1]假设协方差阵P0-1（t）（s）的最大特征值与最小特征值之比（即条件数）有界，和系统噪声{w（t）}方差有界，证明了辅助模型辨识其法参数估计的一致收致性．本文将分别放松这两个条件，即ⅰ）条件数无界，ⅱ）系统噪声为非平稳噪声，且方差无界，探讨了辅助模型算法的收敛性．分析表明在这种较弱的假设下，辅助模型算法保持很强的鲁棒性，参数估计是一致收敛的．