传递函数辨识(11):频率响应递推参数估计(并联情形)

工程中,频率特性又称频率响应。针对不同极点惯性环节并联而成的系统,利用正弦激励信号作为输入,通过测量系统的频率特性观测数据,基于二次优化和非线性优化技术,推导了估计传递函数参数的最小均方算法、随机梯度算法、多新息随机梯度算法、递推梯度算法、多新息递推梯度算法、牛顿递推算法,以及结合实频特性和虚频特性观测数据的联合递推辨识算法和耦合递推辨识算法。文中的方法可以推广用于其他传递函数描述的动态系统参数辨识,如具有共轭极点、重极点传递函数参数的辨识以及任意非线性函数的参数估计。     

系统参数与结构及其噪声方差的同时估计

给出了系统噪声与参数及结构的在线同时辨识算法，采用递推最小二乘ＵＤ分解技术，对新的增广数据每步递推中可同时获得系统结构、参数及噪声方差的估计值，该算法结构简单，数值计算品质良好。     

工业管线腐蚀模型的辨识

讨论了工业管线腐蚀模型的辨识问题．在曲线拟合模型的基础上，提出了参数估计的双层递推算法和相应的时变参数预报算法．     

多变量Hammerstein系统的极大似然参数估计方法

针对有色噪声干扰的多变量Hammerstein系统存在维数高和模型难以参数化的问题,本研究提出了递推极大似然参数估计方法,并对极大化似然函数系统参数向量的估计公式进行推导,同时给出了极大似然参数的辨识原理,并对多变量Hammerstein模型的参数估计进行理论分析,并通过数值进行仿真实验。理论分析和仿真结果表明,本研究所提出的算法,能够有效实现有色噪声干扰下的多变量Hammerstein系统的参数估计。随着递推次数的增加,辨识精度总体上不断提高;而且噪声方差越小,参数估计精度越高。该算法原理简单、适用范围广,提高了参数的估计精度,且易于实现参数的在线辨识,因此该算法可以扩展应用于非均匀采样系统和多变量系统的辨识和参数估计中。     

一种时滞未知随机系统参数辨识算法

针对时滞未知随机性系统,提出了一种可同时估计系统时滞和参数的递推辨识算法,并证明了该算法的收敛性。仿真结果表明,即使在有色噪声干扰的情况下,利用该算法仍能够很快地辨识系统时滞和参数。     

利用NARMA模型辨识非线性时变结构系统

为了有效地进行非线性时变结构系统的辨识,提出了一种基于Kalman滤波算法的利用时变非线性自回归滑动平均模型的用于非线性时变结构系统辨识的新方法.首先,利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后,将非线性项展开为系统输出数据的多项式的形式.利用短时时不变假设,通过改变模型参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题.建立系统参数的随机游动模型,引入Kalman滤波算法估计系统的参数,实现对非线性时变结构系统的辨识.最后对一个具有非线性时变刚度的三自由度结构系统进行了仿真,结果表明:该方法可以有效地跟踪非线性时变结构系统的参数变化.遗忘因子的对比试验表明只有选择合适的遗忘因子才能得到合理的结果.     

对于在噪声环境下的反卷积系统的多传感器信息融合辨识算法

对于一个在噪声环境下的反卷积系统,当噪声为未知白噪声时,提出了一种多传感器信息融合辨识算法。该算法的核心是依次使用递推增广最小二乘法、相关函数法和Gevers-Wouters算法。使用该算法可以得到对系统未知参数和未知噪声的局部和融合估计,并且证明了辨识的收敛性。用Matlab软件对一个例子进行仿真,从而对算法的有效性做了说明。     

信号建模(3):多频信号模型的递推参数估计

利用梯度搜索、牛顿搜索、多新息辨识理论,研究多频标准正弦信号的建模问题,提出了相应的最小均方参数辨识算法、随机梯度参数辨识算法、多新息随机梯度参数辨识算法、递推梯度参数辨识算法、牛顿递推参数辨识算法等,给出了几个典型辨识算法的计算步骤。文中的方法可以推广到其它多频信号模型的参数辨识。     

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...     

相关辨识的限定记忆递推算法

本文基于相关分析法辨识线性系统脉冲响应函数的基本原理,导出了一个相关辨识的限定记忆递推算法,它具有计算量小,计算机存贮量小和运算速度快等优点。由于采用了含有预报误差的新息,因此本方法具有很好的收敛性。计算机仿真结果表明,该算法适用于在线递推辨识定常及慢时变线性系统的脉冲响应函数,且跟随系统的时变性能较好,可以满足工程上的需要。     

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.     

New sigma point filtering algorithms for nonlinear stochastic systems with correlated noises

New sigma point filtering algorithms, including the unscented Kalman filter (UKF) and the divided difference filter (DDF), are designed to solve the nonlinear filtering problem under the condition of correlated noises. Based on the minimum mean square error estimation theory, the nonlinear optimal predictive and correction recursive formulas under the hypothesis that the input noise is correlated with the measurement noise are derived and can be described in a unified framework. Then, UKF and DDF with correlated noises are proposed on the basis of approximation of the posterior mean and covariance in the unified framework by using unscented transformation and second order Stirling’s interpolation. The proposed UKF and DDF with correlated noises break through the limitation that input noise and measurement noise must be assumed to be uncorrelated in standard UKF and DDF. Two simulation examples show the effectiveness and feasibility of new algorithms for dealing with nonlinear filtering issue with correlated noises.     

基于递推极大似然算法的控制系统仿真

在系统辨识的各种算法中,极大似然法是其中一种普遍应用的算法,但是因为极大似然法要求能够写出输出量的概率密度函数,因此这种算法有一定的局限性。目前,基于极大似然法的递推算法也有很多,文章提出了一种通过梯度法的简化而得到的递推算法,每观测一次数据就递推计算一次参数的估计值,能够按照自己的需要在程序中设置参数的精度,这样大大提高了参数辨识的精度。通过对控制系统的仿真,证明了这种递推算法的可行性。     

方块脉冲函数用于双线性系统的分析和辨识

本文利用方块脉冲函数的特点,对双线性系统的分析及辨识问题进行了讨论,得出了一套便于应用的递推算法。与用沃尔什函数辨识双线性系统的方法相此,文中所得的结果更为简洁、明了,且子区间的分段数可任意选取,故可节省计算机内存和机时,减少舍入误差,并且递推算法有助于实现实时在线辨识。     

一种改进的基于秩检测的信道有效阶数估计算法

信道阶数估计是SOS类盲辨识算法的前端步骤。针对Liavas阶数估计算法对信噪比要求高的问题,通过对接收序列自相关矩阵进行"降噪"处理和改进秩检测目标函数,提出一种改进算法,有效降低了对信噪比的要求。分析了在不同信道条件下,各种阶数估计算法的性能,阐明随着信噪比降低,阶数估计误差不可避免,该结论是进一步研究对阶数估计误差鲁棒的盲辨识算法的重要依据。     

Joint estimation algorithms based on LMS and RLS in the presence of impulsive noise

In order to solve the problem that the traditional adaptive algorithms are not able to perform well under the impulsive noise case,this paper develops new adaptive filtering algorithms in the presence of impulsive noise. A close inspection of the impulsive noise reveals that the noise has the sparse property in the time domain because it contains few large values and lots of small values in amplitude.By reformulating the cost functions utilizing this feature of noise into traditional adaptive algorithms,joint sparse online estimation algorithms are developed.The proposed algorithms exploit the noise structure to better suppress the noise.The results demonstrate the superior performance of the proposed methods compared to the existing p-norm algorithms in terms of convergence speed and steady-state error.     

智能语音识别系统中噪声估计算法的研究和改进

智能语音识别技术的研究已有较长的时间,但由于语音信号本身所具有的多变性、瞬时性、连续性和动态性的特征,使得机器在不同的环境尤其是噪声环境中进行语音信号的识别仍具有一定的困难.为了提高带噪语音信号识别的准确率,本文研究了一种常用的噪声估计算法,即基于后验信噪比的时间递归平均算法.并在此算法的基础上提出了一种对平滑因子的改进算法,将语音活性检测算法与这两种算法在不同输入信噪比下进行模拟验证.通过运算结果的对比分析可以看出,改进后的算法相比于语音活性检测算法最高可以使输出分段SNR提高2.1 dB,相比于原时间递归平均算法最高可以使输出分段SNR提高0.5 dB,表明低输入SNR下改进后的算法可以有效提高语音信号的质量和可懂度.     

一种时变系统模型结构确定和参数估计新算法

将参数检测技术和辨识方法相结合，系统结构在线辨识和参数跟踪相结合，基于Ｕ－Ｄ分解技术，提出一种时变系统结构确定和参数估计的最小二乘辨识新算法。该算法不仅可实现系统阶次和参数的同时估计，而且通过对损失函数的实时监测，实现协方差阵的自适应调整，使辨识算法收敛速度快，对时变系统阶次和参数变化均有很强的跟踪能力。     

一类有色噪声干扰系统的辅助模型多新息辨识方法

针对一种有色噪声干扰系统,把标量新息扩展为向量新息（即多新息）,将最小二乘算法、随机梯度算法分别和辅助模型方法结合,提出了基于辅助模型的多新息最小二乘算法和基于辅助模型的多新息随机梯度算法。与传统最小二乘算法和随机梯度算法相比,所提出的算法可有效提高收敛速度和辨识精度,其中基于辅助模型的多新息随机梯度算法比基于辅助模型的多新息最小二乘算法计算量少、收敛速度快。仿真例子验证了算法的有效性。