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。     

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Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

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。     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

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。     

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.     

基于Hammerstein模型描述的非线性系统辨识新方法

Hammerstein模型常用来描述pH值或具有幂函数、死区、开关等特性的过程,本文提出了一种辨识此类对象模型结构和参数的新方法,首先将非线性静态部分和线性动态部分分别用非线性基和Laguerre级数表示,然后通过最小二乘法、矩阵特征值分解和矩阵扩维,辨识出两部分参数．并证明了该方法在输出端存在白噪声情况下误差的收敛性．此方法仅需假设输入为持续激励,适用范围广,计算简单,辨识精度高．最后通过pH中和滴定实验验证了以上结论．     

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.     

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.     

大工业系统中-类Hammerstein模型辨识法

针对大工业系统中Hammerstein模型,提出一种稳态与动态辨识相结合的子空间模型-分散辨识两步法.此方法是将设定点的阶跃信号作为输入辨识信号,对静态非线性增益部分和线性动态部分进行辨识.很好地解决了传统两步法中非线性求解难和两步之间缺乏有机沟通的问题.仿真结果表明该方法的有效性和实用性.     

一种基于动态人工神经网络的Wiener模型辨识

提出了一种新的辨识模型对Ｗｉｅｎｅｒ模型进行辨识,该模型 线性动态神经元串联一静态网络模型组成,利用线性动态神经元对Ｗｉｅｎｅｒ模型的线性动态部分建模,利用静态ＢＰ网络逼近模型的静态非线性部分,并且给出了统一的ＢＰ辨识算法,仿真结果表明了该方法的有效性。     

基于高斯核函数的Hammerstein非线性系统辨识

提出了一种基于高斯核函数的Hammerstein非线性系统参数辨识方法。Hammerstein非线性系统由一个静态非线性模块和一个动态线性模块串联组成,利用高斯核函数神经网络和传递函数模型分别建立Hammerstein系统的静态非线性模块和动态线性模块。首先,基于可分离信号的输入输出数据,采用相关性分析方法估计动态线性模块的参数,有效抑制噪声的干扰。其次,针对Hammerstein非线性系统的不可测噪声项,利用残差的估计值代替不可测变量,推导了递推增广最小二乘辨识方法,根据随机信号的输入输出数据辨识静态非线性模块和噪声模型的参数。仿真结果表明,针对有色噪声干扰的Hammerstein非线性系统,所提方法具有较好的辨识精度和鲁棒性。     

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.     

废气氧传感器Hammerstein模型结构的确定

研究了废气氧(EGO)传感器Hammerstein模型结构辨识方法。静态非线性函数选用双曲正切与多项式组合形式,动态线性环节分别选用带外生变量的自回归(ARX)模型、输出误差(OE)模型和Box-Jenkins(BJ)模型结构。采用交叉准则法进行参数估计和阶次选择,通过仿真比较对模型进行检验。结果表明:最终输出误差(FOE)准则和最终预报误差(FPE)准则均适用于用估计数据选择阶次,但前者比后者更可靠。基于预测误差法的3阶OE模型和BJ模型均可用于EGO传感器Hammerstein模型动态线性环节的建模。     

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

AFM压电陶瓷驱动器类Hammerstein建模与参数辨识

AFM( Atomic Force Microscope,原子力显微镜)中的压电陶瓷驱动器具有率相关迟滞非线性特性,这会影响AFM的扫描和定位精度。针对传统静态迟滞模型不能反映系统率相关动态迟滞特性的缺陷,提出Hammerstein模型以描述压电陶瓷驱动器的静态和动态迟滞特性。利用最小二乘支持向量机结合奇异值分解法对模型中的参数进行辨识。实验结果表明,模型能体现压电陶瓷驱动器的率相关迟滞特性,精度高于传统静态迟滞模型,建模方法对此类系统具有较好的应用价值。     

基于在线辨识的极值系统动态寻优控制方法研究

本文介绍一种非线性环节采用折线近似表示的Ｈａｍｍｅｒｓｔｅｉｎ模型系统的参数辨识方法；针对非线性环节呈极值特性的情况，研究一根据在线辨识得到的线性动态环节的参数估计值进行级值系统动态优化的控制方法，仿真结果验证了该方法的有效性。