Hammerstein-Wiener时变系统的带遗忘因子学习辨识算法

针对一类有限区间上重复运行的Hammerstein-Wiener非线性时变系统,将Hammerstein-Wiener系统输出非线性部分进行多项式展开以构造回归模型,采用带遗忘因子迭代学习梯度算法和带遗忘因子迭代学习最小二乘算法,估计系统的时变参数。当系统参数沿时间轴快变、沿迭代轴缓变时,修正遗忘因子提高算法的辨识精度。文中分别给出了2种算法的推导过程并进行仿真对比验证,结果表明,带遗忘因子迭代学习最小二乘算法收敛速度更快、精度更高,达到相同性能指标时所需迭代次数更少,验证了所提学习算法的有效性。     

哈默斯坦非线性时变系统的加权学习辨识方法

针对有限区间哈默斯坦(Hammerstein)非线性时变系统,该文提出一种加权迭代学习算法用以估计系统时变参数。首先将Hammerstein系统输入非线性部分进行多项式展开,采用迭代学习最小二乘算法辨识系统的时变参数。为了防止数据饱和,采用带遗忘因子的迭代学习最小二乘算法,进而引入权矩阵,采用加权迭代学习最小二乘算法改进系统跟踪误差,以提高辨识精度。该文分别给出3种算法的推导过程并进行仿真验证。结果表明,与迭代学习最小二乘算法和带遗忘因子迭代学习最小二乘算法相比,加权迭代学习最小二乘算法具有辨识精度高、跟踪误差小以及迭代次数少等优点。