多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

辨识动态系统噪声方差Q和R的新方法

对于带未知噪声方差的线性离散定常随机系统,引入左素分解可得到一个新的观测过程,它用两个滑动平均（MA）过程之和表示。用解相关函数矩阵方程组得到了噪声方差Q和R的估值器,进而基于新的观测过程的采样相关函数及其遍历性可得到噪声方差Q和R的强一致估计。算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。     

多传感器系统噪声统计辨识的一种相关方法

对于带未知噪声统计和相关噪声的多传感器线性离散定常随机系统,通过左素分解将观测过程表为两个滑动平均(MA)过程之和,利用解相关函数矩阵方程组方法得到系统的噪声方差、相关阵及互协方差的在线估计器.基于观测过程的采样相关函数的遍历性证明了噪声统计估值器是强一致的.一个两传感器带相关噪声系统的仿真例子说明了方法的有效性.     

多变量偏差补偿递推最小二乘法及其收敛性

对于带白色观测噪声的多变量自回归(AR)信号,提出了未知模型参数和噪声方差估计的偏差补偿递推最小二乘算法,用动态误差系统分析方法严格证明了所得到的模型参数和噪声方差估值是强一致的,即它们以概率1收敛于相应真实值。一个仿真例子说明了其有效性。     

多变量系统的辅助模型辨识算法

提出了辨识线性多变量系统参数的辅助模型方法。它使得系统存在量测噪声的无偏参数估计问题得到解决。文中分析了算法的收敛性，并给出了仿真例子。     

辅助变量法及其改进算法在含噪声系统辨识中的运用

对ＡＲＭＡ模型含有输入噪声和量测噪声的情况进行了讨论，在两种情况下，最 乘法并不能得到很好的估计结果，运用辅助变量法可以提高估计精度。特别是在输入信号受到干扰时，配方提出了加权辅助变量法，可以得到比ＩＶ方法更精确的结果，尤其是在噪信比较高的场合，本文还给出了ＷＩＶ方法的无偏性分析。     

多传感器AR信号自校正加权融合Wiener滤波器

对带多传感器和带未知模型参数及未知噪声方差的自回归(AR)信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器。用取局部估值器的平均得到信息融合估值器。将它们代入最优加权融合AR信号Wiener滤波器,提出一种自校正加权融合Wiener滤波器。它们以概率1收敛于最优融合Wiener滤波器,因而具有渐近最优性。它的精度比每个局部自校正Wiener滤波器精度都高。仿真例子说明了其有效性。     

随机多变量NARMAX模型的非线性递推最小二乘算法

针对随机多变量NARMAX模型存在的问题,基于线性滤波﹑谱分解定理及成型滤波器原理,将随机干扰等效在系统的输出端,提出改进的随机多变量NARMAX模型。基于辅助模型的原理,在参数估计的准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广递推最小二乘算法和随机非线性递推最小二乘算法,将改进的多变量NARMAX模型转换为具有耦合的子系统,给出具有遗忘因子的,能克服算法病态的,适用于具有时变参数模型的改进随机多变量NARMAX模型的非线性递推最小二乘算法。应用在线修正参数预测滤波PID控制,仿真结果验证了算法的有效性。     

多传感器系统模型参数和噪声统计的一种信息融合辨识方法

对于带有未知模型参数和未知相关噪声统计的多传感器随机系统,基于ARMA新息模型,利用相关方法,用平均局部的模型参数和噪声统计估值器的方法,提出了模型参数和噪声统计信息的在线信息融合估计器,它们可以被解释为最小二乘融合估计,并证明了相应的辨识器具有强一致性,即以概率1收敛于相应的真实值.一个2传感器系统的仿真例子说明其有效性.     

基于共轭梯度迭代算法受控AR模型的参数辨识

推导了单输入单输出系统的辅助模型,它有助于减少计算量和提高共轭梯度迭代算法（新算法）的收敛速度.相比于受控移动平均模型中所提出的交互式随机梯度算法,新算法用更少的迭代步骤就可求出模型的参数估计.另外,新算法能避免出现矩阵的逆矩阵形式.对新算法与双共轭梯度算法进行比较,并给出数值实例检验新算法的有效性.     

Convergence of Recursive Identification for ARMAX Process with Increasing Variances

The autoregressive moving average exogenous (ARMAX) model is commonly adopted for describing linear stochastic systems driven by colored noise. The model is a finite mixture with the ARMA component and external inputs. In this paper we focus on a parameter estimate of the ARMAX model. Classical modeling methods are usually based on the assumption that the driven noise in the moving average (MA) part has bounded variances, while in the model considered here the variances of noise may increase by a power of log n. The plant parameters are identified by the recursive stochastic gradient algorithm. The diminishing excitation technique and some results of martingale difference theory are adopted in order to prove the convergence of the identification. Finally, some simulations are given to show the reliability of the theoretical results.     

褶积模型参数估计的递归算法及其收敛性

讨论褶积模型参数估计问题，通过对数据的正交化得到了模型参数的递归算法，从理论上分析这种递归算法的收敛性，并得到一个判断正交化过程收敛性的充分条件，在此条件下递归算法必收敛到褶积模型中的子波A=（1，a1，…，aq）。     

慢时变线性模型参数辨识递推算法及收敛性分析

针对慢时变线性模型,给出辨识的递推算法,并证明该算法能够保证参数收敛在一个有界空间区域,该区域包含参数真值集合;若工作点不发生变化,合理的收敛因子保证参数收敛到对应真值.在实际应用中,工业对象可以利用慢时变线性模型表示,因此该递推算法能够确保工业对象模型实时更新以跟踪工况的变化.通过实例仿真可以看出,该递推算法能够保证慢时变线性模型参数有效更新,并较为准确估计输出变量.     

自回归谱估计算法的分类及应用

为了进一步使自回归谱估计算法系统化,为评价算法、选择算法和发展新算法提供参考,本文提出了一种自回归谱估计算法的分类法.文中还介绍了在此分类法的指导下研究出来的一种新的自回归谱估计算法.     

带未知模型参数的自校正集中式融合信息滤波器

对于带未知模型参数和噪声统计的多传感器系统,通过系统辨识方法,能够获得模型参数和噪声统计的在线估值,然后把它们代入到基于信息矩阵的最优集中式融合滤波器,得到自校正集中式融合Kalman滤波器。应用动态误差系统分析（DESA）方法,证明了自校正集中式融合Kalman滤波器收敛于最优集中式融合Kalman滤波器,因此它有渐近全局最优性。应用于信号处理的仿真例子说明了其有效性。