多变量线性系统的递推辨识算法

变量系统的结构辨识是很麻烦的,Guidorzi[1]提出了一个辨识不变性指标的方法,但 必须用矩阵求逆.本文给出一个递推确定结构指标的算法,不需要求行列式的运算,并且一旦 确定了子系统结构,随即得到参数估计值,没有重复的运算.所需计算量比Guidorzi[1]方法 大大减少.     

基于信息压缩矩阵交替变换的分数阶系统结构、阶次与参数的同时辨识方法

在愈来愈被关注的分数阶控制研究中,分数阶系统辨识的理论与方法是一个重要方向. 目前相关研究极少涉及分数阶系统的结构和阶次辨识. 首先讨论了分数阶线性SISO系统辨识的有色噪声模型,然后构造了具有"移位性质"的信息向量和信息压缩矩阵,并给出了信息压缩矩阵分解变换的理论分析及其证明;在此基础上,提出了一种利用信息压缩矩阵交替变换提取相关信息的算法,论述了最优估计模型结构与阶次的判定准则,从而同时辨识分数阶系统时域模型的结构、阶次与参数;仿真研究表明,本文方法能够获得满意的辨识结果,具有良好的抑制噪声干扰能力;不仅能够准确地辨识系统模型的结构与阶次,而且能够辨识噪声模型的结构与阶次.     

一种辨识多变量系统结构和参数地递推算法*

本文基于Guidorzi方法,提出一种辨识多变量系统结构和参数的递推算法。本算法通过对矩阵进行分解,根据分解过程中某参数的变化情况,判断矩阵的奇异性,从而辨识出系统的结构和参数,使得原来对矩阵求逆及求行列式的运算变为简单的代数运算,大大减少了辨识过程中的计算量,数值实例表明了这种算法的有效性。     

基于ICA与Bayes的判别分析模型*

简要介绍了Bayes判别分析模型的特点及存在的问题,概括了独立成分分析(ICA)的特点及发展现状,提出了基于ICA与Bayes的判别分析模型--IBD模型.该模型首先利用ICA的方法将相关性数据指标转换为互相独立的数据指标,并通过卡尔曼滤波方式滤去高频数据,有效地去除了噪声,最后利用Bayes方法对转换的数据进行判别分析.实验结果表明,当数据之间存在相关关系时,IBD模型的判别分析效果要优于Bayes与Fisher判别分析模型.     

有色噪声背景下的正交子空间辨识

针对传统子空间辨识中存在的有色噪声干扰问题,本文提出一种正交子空间辨识方法.首先,根据子空间辨识算法机制构建含有色噪声的扩展状态空间模型.然后,结合有色噪声的相关性分析,研究了传统子空间辨识方法的有偏性问题,并重新设计了投影向量和正交投影方式,用以消除有色噪声干扰.最后,对投影后的数据矩阵进行奇异值分解,获取广义能观测矩阵,进而求得系统的状态空间模型参数.仿真结果表明该方法在有色噪声干扰下是一致无偏的,并且具有渐进二阶统计特性.结合陀螺仪的具体实验结果表明,该算法在实际应用中具有比传统子空间辨识法更高的辨识精度.     

基于近似偏最小一乘的闭环系统辨识新方法

本文基于近似最小一乘准则和主成分分析,针对反馈通道模型阶次低于前向通道模型阶次且反馈通道不存在噪声的闭环系统,进行了近似偏最小一乘递推辨识算法的推导.为解决最小一乘准则函数不可微的问题,本文算法用确定性可导函数近似代替残差绝对值.近似偏最小一乘辨识算法可以克服基于最小二乘准则的辨识算法在受到满足(SαS)分布的尖峰噪声干扰时残差平方项过大的缺点,具有目标函数可导,计算简单的优点.同时,通过主成分分析去除数据向量各元素之间的线性相关,可以得出模型参数的唯一解.仿真实验表明,本文算法可以对反馈通道模型阶次低于前向通道模型阶次的闭环系统进行直接辨识,抑制了尖峰噪声对辨识结果的影响,具有优良的稳健性,可以更好地应用于闭环系统辨识.     

基于低秩分解的鲁棒典型相关分析

典型相关分析（CCA）是一种经典的多特征提取算法,它能够有效地抽取两组特征之间的相关性,现已被广泛应用于模式识别。在含噪声数据情况下,CCA的特征表示性能受到限制。为了使CCA更好地处理含噪声数据,提出一种基于低秩分解的典型相关分析算法——鲁棒典型相关分析（robust canonical correlation analysis,RbCCA）。RbCCA首先对特征集进行低秩分解,得到低秩分量和噪声分量,以此分别构建对应的协方差矩阵。通过最大化低秩分量的相关性,同时最小化噪声分量的相关性来建立判别准则函数,进而求取鉴别投影矢量。在MFEAT手写体数据库、ORL和Yale人脸数据中的实验结果表明,在包含噪声的情况下,RbCCA的识别效果优于现有的典型相关分析方法。     

考虑结构变形的机器人运动学标定及补偿

针对一种3P3R型串联机器人,建立了参考零位模型与DH(Denavit-Hartenberg)模型的混合运动学模型,将直线运动部分与旋转运动部分分开建模,能够更好地描述机器人不同机械结构的几何关系,在此基础上提出了结合几何辨识和参数辨识的两步标定方法.然后,结合机器人的机械结构特点,分析了机器人在操作大型零件过程中的结构变形,并提出了考虑结构变形的运动学补偿模型.最后,使用激光跟踪仪完成了机器人标定实验,通过对比空载和加载情况下的定位误差,验证了运动学标定和补偿的效果.结果表明,混合运动模型采用两步参数辨识能够在空载情况下取得较高的标定精度,而运动学补偿模型则能够在加载情况下对运动学进行较好的变形误差补偿.     

基于遗传规划的哈默斯坦模型的辨识

该文基于遗传规划提出了一种辨识哈默斯坦模型的新方法。哈默斯坦模型由静态非线性模块和动态线性模块串联而成,因此系统辨识的目标是要找到非线性和线性模块的最优数学模型。该文通过遗传规划确定非线性模块的函数结构,并结合遗传算法确定模型的未知参数,适应度值的计算采用了最小信息量准则(A IC),以平衡模型的复杂度和精确度。该方法不需要对模型的先验知识有详细了解,就能达到较好的辨识效果,并且能够克服观测噪声的污染,获得参数的无偏估计。仿真结果说明了该方法的有效性。     

一类非线性系统的结构辨识

本文研究了加性噪声指数模型描述的一类非线性系统的结构辨识问题，在文献[3]的参数估计算法基础上，通过使CIC准则函数的数最小化，给出了一种递推结构辨识算法，数字仿真表明该算法的收敛性，便于实际应用。     

闭环子空间辨识方法的分析与比较

在实际应用中,辨识方法的辨识精度和辨识效率一直是人们关注的指标,也是人们选择辨识方法的主要依据。针对多种闭环子空间辨识方法的辨识精度和辨识效率问题的研究,首先归纳和总结了基于正交分解和基于正交投影闭环子空间辨识方法的理论和实现;然后扩展提出了基于正交分解的闭环子空间辨识方法 ORT_POMOESP、ORT_N4SID和基于正交投影的闭环子空间辨识方法 CSOPIM_W2;最后考虑系统输入输出测量噪声,针对过程噪声为白噪声和有色噪声两种情况下,通过仿真算例以数值分析的形式,对比研究了多种闭环子空间辨识方法的辨识精度和辨识效率。该研究不仅对子空间辨识方法应用于实际工业过程的建模具有实际的参考价值,而且对实际工程应用中闭环子空间辨识算法的选用具有一定的指导意义。     

加速度计几种模型辨识方法的比较研究

加速度计离心试验中,为了更精确的得到加速度计的模型系数,比较研究了3种辨识方法:最小二乘方法(加权最小二乘)、总体最小二乘方法和EV模型方法.通过仿真得出在输出噪声和输入噪声为白噪声或者近似白噪声且离心机精度优于1×10-5的情况下,最小二乘与其他2种辨识方法辨识精度相当.最后通过试验对比了最小二乘方法与加权最小二乘方...     

有界误差模型的一种结构辨识方法1)

针对具有未知但有界(UBB)误差的线性回归模型辨识问题,提出了一种新的鲁棒结构选择方法.该方法以重复递推椭球外界算法所得椭球轴信息阵的行列式相对值最大作为模型定阶准则.不同于以往对噪声独立性、常方差或鞅差特性的假设,该方法假设噪声是渐近独立的.文中证明了该方法的强相容性.     

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．     

基于闭包的聚类判别方法研究

区别于传统的聚类方法,提出了以类为起点,通过构造闭包进行聚类的新方法,并建立了聚类判别模型,此模型给出了对于闭包间的交叉区域的检验点的判别准则。然后针对二维的聚类问题,提出了以最小圆为闭包的聚类判别模型,并对乳房肿瘤病例进行数值实验。对于乳房肿瘤病例,首先进行了指标选取、数据预处理,然后以最小圆为闭包建立了模型,最后对69个待检测数据进行检验,结果误判率为4.35％。     

基于人工神经网络的Hammerstein模型辨识

证明了Ｈａｍｍｅｒｓｔｅｉｎ模型在有色噪声情况下，可利用系统的稳态信息辨识模型的非线性增益，并提出了神经元网络的辨识方法。利用系统的动态信息，运用一般的辅助变量法可辨识Ｈ模型的线性子系统。仿真结果表明该方法辨识精度高，具有一定的实用性。     

非线性模型结构辨识方法的分析

本文对模型拟合度判别法、交叉有效性确认法和统计假设检验法三种非线性模型结构辨识方法进行了分析比较,并将模型拟合度判别法推广到多变量系统的场合.通过计算机仿真实例,说明各种方法的实用性,找出最佳参数.最后,将它们进行了比较.     

GMDH的双向逐步回归递推算法

GMDH 是非线性辨识中较有效的一种方法.本文对这种方法提出了一种新算法,其核心是用双向逐步回归递推方法来确定 GMDH 中最佳部分多项式的结构和参数,并且同时得到预测误差.因此,本文给出的算法避免了原方法的大量重复计算,且可得到简化的最佳模型,还可方便地应用各种判别准则.     

有色噪声中非线性动态系统的BP网络辨识

前馈多层神经网络为复杂的非线性系统提供了一种极具吸引力的模型结构。本文不利用仅含一个隐层的前馈多层神经网络来拟合离散时间非线性动态系统的问题进行了探讨。由于有色噪声的存在会导致网络模型偏差产生，文中引入了一种对噪声建模的方案。借助于非线性模型检验技术，本文给出了在有色噪声存在的情况下，利用ＢＰ网络辨识离散时间非线性动态系统的一般方法，仿真结果亦表明该方法行之有效。     

非线性模型结构辨识的一种逼近方法

讨论用典型形式的线性模型来逼近非线性时变参数模型的问题,将非线性模型结构结构辨识,在一定的近似条件下转化为线性模型结构的辨识。给出了非线性模型结构辨识的一种逼近方法,并讨论了相应的准则函数。最后通过计算机仿真实例说明了该方法的有效性。