双输入多率输出误差系统最小二乘迭代辨识

以双输入多率采样系统为例,推导出双输入采样周期不等的多率输出误差系统的离散时间状态空间模型,进而得出对应的传递函数模型。论文提出了这类双输入多率采样数据系统的最小二乘迭代辨识算法,仿真例子说明了提出算法的有效性。     

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。     

动态调节模型的最小二乘迭代辨识方法

为了改进参数估计精度,利用递阶辨识的交互估计理论,提出了辨识动态调节模型的最小二乘迭代辨识方法。其基本思想是:在每步迭代计算中,将信息向量中或信息矩阵中不可测噪声项用其估计值代替,而噪声估计值又是用前一次迭代参数估计进行计算的,二者执行了一个递阶计算过程。与流行的递推广义最小二乘算法相比,提出的迭代算法在每一步计算中,同时利用了系统所有量测数据信息,因而具有更高的参数估计精度和更快的收敛速度。进行了仿真计算。     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

多输入单输出系统的辅助变量参数估计

利用辅助变量辨识方法,推导出多输入单输出系统的辅助变量递推最小二乘算法,并与辅助模型递推最小二乘法进行了计算量和辨识精度比较.     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

输出过采样闭环系统辨识方法中最优过采样率的选择

提出了一种基于输出过采样技术的线性离散时间闭环系统辨识方法 ,通过对输出端施加过采样 ,将原闭环系统模型转化为过采样模型 .对于输出端白噪声、有色噪声干扰 ,分别利用最小二乘辨识算法和误差预报算法辨识出过采样模型 ,进而计算出原闭环系统的模型参数 .辨识结果中模型参数的估计误差服从均值为0的正态分布 ,方差由过采样率决定 ,据此推导出了使参数估计误差最小化的最优过采样率的计算方法 .该方法实现简单 ,运算量小 ,估计精度高 .仿真实验表明 ,当信噪比大于 15dB时 ,该方法的估计精度可达98% ;当过采样率为 15～ 2 0时 ,算法具有最优的辨识精度     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

多变量ARX-like系统的递阶最小二乘估计

利用Kronecker积,推导出多变量ARX-like随机系统的辨识模型,使用递阶辨识原理研制了一个递阶最小二乘参数估计算法.提出的递阶最小二乘算法比现存递推最小二乘算法计算量小.给出了为仿真例子.     

基于混沌同步的线性卷积系统辨识

研究了分段线性连续混沌信号驱动的线性卷积系统的盲辨识问题,提出了基于混沌同步的线性卷积系统辨识方法.借助线性矩阵不等式,利用混沌同步系统构造了基于最小二乘的观测器,并设计自适应算法最小化观测器,从而估计出线性卷积系统的参数.以简单的分段线性混沌系统为例,进行了仿真分析.数值仿真结果与理论分析一致,表明了所提出的算法能正确辨识系统,且算法仅需十几次迭代就能收敛.与传统Bussgang算法相比,所提算法具有更好的噪声鲁棒性,在输入信噪比15dB时,输出信噪比较Bussgang算法高约10dB,且在输入信噪比为0dB时仍有5dB的输出信噪比.     

基于子空间方法的非均匀多采样率系统辨识

针对非均匀多采样率系统的建模问题,根据因果关系,建立了非均匀多采样率系统的状态空间模型.对于含有提升变量的状态空间模型,提出基于子空间技术的辨识方法.首先,由系统的输入输出数据建立由Hankel矩阵组成的扩展状态空间方程;其次,利用斜交投影的原理,以及奇异值分解,通过子空间辨识算法确定增广观测矩阵和状态向量;最后,通过最小二乘方法确定模型的参数矩阵.该方法简单有效且对初值具有鲁棒性.仿真实例验证了方法的有效性.     

滑动平均模型的最小二乘辨识方法比较研究

滑动平均模型辩识的困难是信息向量中存在不可测噪声项。借助于递阶辩识的交互估计理论，用估计残差代替信息向量中中不可测噪声项，借助于多新息辨识理论扩展新息长度和充分利用系统观测数据的思想，提出估计滑动平均模型参数的多新息递推最小二乘辨识方法和最小二乘迭代辨识方法。与常规递推增广最小二乘算法相比，提出的方法具有更快的收敛速度，能产生更高精度的参数估计。仿真例子验证了算法的性能。     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

正交最小二乘算法及其应用

介绍了正交最小二乘法的算法原理，同经典的最小二乘法相比，其数值稳定性好、计算量小，能节省大量存贮空间。应用了Ｈｏｕｓｅｈｏｌｄｅｒ变换、Ｇｉｖｅｎｓ变换和它的逆变换３种算法。根据残差矢量最小准则，将该法用于ＡＲＭＡ模型结构辨识和时变ＡＲ模型参数估计，取得了满意的仿真结果。     

制冷系统稳态仿真算法研究

针对目前制冷系统稳态仿真算法设计不规范造成的概念和逻辑上的混淆，提出一种通用的算法设计方法，分别对迭代判据的确定，迭代变量的选择和标准算法的设计给出了完整的操作准则和步骤，通过标准算法的压缩和特例分析，统一了一些常见的特殊算法，以单级二级压缩制冷系统为例，对通用算法设计方法进行了详细阐述，该算法有助于提高仿真软件的研发效率和改进相关课程教学中的薄弱环节。     

CARMA模型的多新息增广随机梯度辨识算法

将多新息辨识理论用于研究CARMA模型参数辨识问题,通过把标量新息扩展为向量新患,即多新息,得出相应的多新息增广随机梯度辨识算法.仿真结果验证了提出算法的有效性.     

带子矩阵约束的二次逆特征值问题的最小二乘埃尔米特广义斜哈密顿矩阵迭代解

针对带子矩阵约束的二次逆特征值问题的最小二乘埃尔米特广义斜哈密顿结构矩阵解问题,给出了一种共枙梯度迭代算法。首先提出了带子矩阵约束的二次逆特征值问题的最小二乘问题及其最佳逼近问题;然后分别给出了基于共轭梯度的迭代算法,证明了算法的收敛性。对于任意初始约束矩阵,在不存在舍入误差的情况下,用该迭代算法可以在有限步迭代中得到迭代解。最后,给出了一个数值实例,数值实例证明了所提算法的有效性。