系统辨识(8):耦合辨识概念与方法

耦合辨识是系统辨识的一个重要分支,是新近发展和提炼形成的一种辨识概念,主要用于研究结构复杂的参数耦合线性和非线性多变量系统的辨识问题.辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念是本文作者提出的一些新的辨识研究思路、理念和方法,分别能够用于研究存在未知过程变量的不可测系统的辨识,能够提高辨识方法的收敛速度和参数估计精度,能够解决结构复杂、大规模多变量系统及参数耦合多变量系统的辨识问题、减小辨识算法的计算量.首先介绍多变量系统耦合辨识概念,在此基础上讨论多变量系统的几种(全)耦合最小二乘辨识方法、(全)耦合随机梯度辨识方法、部分耦合随机梯度辨识方法、部分耦合最小二乘辨识方法等,最后说明耦合辨识方法可推广用于有色噪声干扰多变量系统的辨识,并列出了一些多变量系统模型结构,阐述了耦合辨识概念可以结合辅助模型辨识思想、多新息辨识理论、递阶辨识原理、迭代搜索原理(梯度迭代、最小二乘迭代、牛顿迭代)等来研究线性或非线性多变量系统的辨识问题     

传递函数辨识(24):线性回归系统的变间隔递阶迭代参数估计

变间隔辨识概念是处理损失数据系统和稀少量测数据系统辨识的一种有效方法.利用变间隔辨识概念和递阶辨识原理,研究了线性回归系统的变间隔递阶梯度迭代辨识方法、变间隔递阶多新息梯度迭代辨识方法、变间隔递阶最小二乘迭代辨识方法、变间隔递阶多新息最小二乘迭代辨识方法等.这些变间隔递阶迭代辨识方法可以推广到其他有色噪声下的线性和非线...     

传递函数辨识(18):输出误差模型的辅助模型递阶迭代参数估计

针对输出误差系统,利用迭代搜索原理,研究了辅助模型梯度迭代算法、辅助模型最小二乘迭代算法、辅助模型多新息梯度迭代算法、辅助模型多新息最小二乘迭代算法;利用递阶辨识原理,研究了辅助模型递阶梯度迭代算法、辅助模型递阶多新息梯度迭代算法、辅助模型递阶最小二乘迭代算法、辅助模型递阶多新息最小二乘迭代算法等。这些辨识方法可以推广到有色噪声的随机系统中。     

类多变量方程误差类系统的递阶多新息辨识方法

根据递阶辨识原理,研究了类多变量方程误差系统和类多变量方程误差ARMA系统递阶随机梯度方法和递阶梯度迭代方法、递阶最小二乘方法和递阶最小二乘迭代方法.进一步利用多新息辨识理论,推导了递阶多新息梯度辨识方法和递阶多新息最小二乘辨识方法.为减小计算量,推导了基于滤波的类多变量方程误差ARMA系统递阶辨识方法和递阶多新息辨识方法.讨论了几个典型辨识算法的计算量,并给出了计算参数估计的步骤.     

滤波辨识(11):多变量CARARMA系统的滤波递阶广义增广迭代参数辨识

针对多变量受控自回归自回归滑动平均(M-CARARMA)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广梯度迭代辨识方法、滤波递阶递推广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。     

系统辨识(5):迭代搜索原理与辨识方法

递推辨识与迭代辨识构成了两类重要的参数估计方法.递推辨识的递推变量与时间有关,因而可以用于在线估计系统参数;迭代辨识的迭代变量是自然数,与客观世界的时间无关,通常用于离线估计系统参数.基于辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念等辨识方法都可以用递推算法和迭代算法实现.迭代方法渊源很早,如求解矩阵方...     

辨识方法的计算效率(2):迭代算法

讨论了最小二乘迭代辨识算法及其计算效率问题.最小二乘迭代算法由于涉及矩阵求逆运算,为减小计算量,提出了基于块矩阵求逆的最小二乘迭代辨识算法.基于块矩阵求逆的最小二乘迭代辨识算法不是一种新算法,只是从辨识算法的实现方式上降低计算负担,它与最小二乘迭代算法产生相同的参数估计,但计算量小.文中研究了伪线性回归系统、多元伪线性回归系统、多变量伪线性回归系统的最小二乘迭代辨识算法及其基于块矩阵求逆的最小二乘迭代算法.     

滤波辨识(7):类多变量方程误差ARMA系统的滤波递阶广义增广参数辨识

针对类多变量方程误差自回归滑动平均(M-EEARMA-like)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广随机梯度辨识方法、滤波递阶多新息广义增广随机梯度辨识方法、滤波递阶广义增广梯度辨识方法、滤波递阶多新息递推广义增广梯度辨识方法、滤波递阶递推广义增广最小二乘辨识方法、滤波递阶多新息广义增广最小二乘辨识方法。这些滤波递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。     

滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。     

传递函数辨识(25):自回归输出误差自回归滑动平均系统的辅助模型递阶广义增广递推参数估计

利用递阶辨识原理、多新息辨识理论,研究和提出AR-OEARMA系统的辅助模型递阶广义增广随机梯度算法、辅助模型递阶多新息广义增广随机梯度算法、辅助模型递阶广义增广递推梯度算法、辅助模型递阶多新息广义增广递推梯度算法、辅助模型递阶广义增广最小二乘算法、辅助模型递阶多新息广义增广最小二乘算法.这些辅助模型递阶递推辨识方法可...     

辨识方法的计算效率(1):递推算法

算法的计算量可用其乘法运算次数和加法运算次数表示(除法作为乘法对待,减法作为加法对待).一次乘法运算或一次加法运算称为一个flop,即一次浮点运算.作为"辨识方法的计算效率"系列3篇连载论文的第1篇,主要了讨论递推辨识算法的计算量,包括向量和矩阵基本运算的flop数,以及线性回归系统、多元线性回归系统、多变量系统的随机梯度辨识算法、最小二乘辨识算法、递推最小二乘辨识算法的最经济计算量,即实现算法的最少flop数.     

系统辨识(6):多新息辨识理论与方法

多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.     

多变量方程误差类系统的部分耦合迭代辨识方法

针对多变量方程误差滑动平均系统,利用最小二乘原理和迭代搜索原理,给出了增广随机梯度辨识方法、递推增广最小二乘辨识方法、梯度迭代辨识方法和最小二乘迭代辨识方法.针对多变量方程误差滑动平均系统和多变量方程误差自回归滑动平均系统,将多变量系统分解为一些子系统,利用耦合辨识概念,讨论了梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、子系统最小二乘迭代方法和部分耦合子系统最小二乘迭代辨识方法.进一步结合数据滤波技术,研究了多变量方程误差自回归滑动平均系统的子系统梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、部分耦合子系统最小二乘迭代辨识方法.文中给出了几个典型算法的计算步骤.     

一类Lyapunov矩阵方程组的迭代方法

为了得到一种有效的算法来求解离散马尔科夫跳跃线性系统中出现的Lyapunov矩阵方程组,基于递阶辨识原理和梯度迭代算法,构造了一种新的迭代算法。该算法利用递阶辨识原理将原本复杂的Lyapunov矩阵方程组简单化,使其更易于求解,并给出了2个数值例子。理论研究和数值实验表明,此算法是行之有效的,且具有一定的应用价值。     

规范状态空间系统辨识方法

因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程(递阶计算过程).沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.     

系统辨识(1):辨识导引

系统辨识是研究建立系统数学模型的理论与方法.虽然数学建模有很长的研究历史,但是形成系统辨识学科的历史才几十年.在这短暂的几十年里,系统辨识得到了长足的发展,一些新的辨识方法相继问世,其理论与应用成果覆盖了自然科学和社会科学的各个领域,包括物理学、生物学、地球科学、气象学、计算机科学、经济学、心理学、政治学等.在这样的背...     

基于Box-Jenkins模型的迭代辨识与控制器设计方法研究

针对存在有色噪声干扰的Box-Jenkins系统,采用数学优化的方法,提出了该模型的新型迭代辨识方法。与递推广义增广最小二乘算法相比,论文提出的迭代算法反复利用了系统的所有可测数据信息,因而具有更高的参数估计精度和更快的收敛速度。最后分析了Box-Jenkins模型的低阶迭代控制器设计步骤及方法,通过仿真说明该迭代算法的有效性。