基于弱非线性系统Volterra核辨识的算法

本文详细论述了非线性系统二阶Volterra核辨识的函数束法 ,提出了实现这一思想的计算机仿真算法     

二阶加延时模型的阶跃响应辨识方法

提出了一种带有延迟环节的二阶连续开环系统的阶跃响应辨识方法. 这种方法可以由系统的阶跃响应采样数据构造非线性方程组, 通过对方程组求解估计出系统的参数. 在不存在延迟环节的时候, 非线性方程组将简化为线性方程组. 仿真表明算法具有较高的精度.     

基于多次阶跃法的多变量阶跃模型辨识

针对传统的一次阶跃测试的缺点和多变量系统 的特点,提出了一种基于最小二乘的多次阶跃测试的多变量系统阶跃响应模型辨识方法．该 方法可以在装置正常工作的条件下,进行多次阶跃测试,因而在工程上是比较实用的．仿真 结果证明了其可行性．     

Volterra 泛函级数在非线性系统辨识中的应用

利用Volterra泛函级数描述非线性系统，将非线性系统辨识问题转化为标准的最小二乘问题，并通过QR分解进行求解，在对输入矩阵P进行Householder变换过程中，提出利用输入向量对输出向量的影响因子进行P阵的列选择，同时完成模型辨识，有效地克服了Volterra泛函数辨识中维数灾难问题，数字仿真表明了该方法的有效性。     

基于弱非线性系统Voiterra核辨识的算法

本文详细论述了非线性系统二阶Volterra核辨识的函数束法,提出了实现这一思想的计算机仿真算法。     

基于GA理论的Volterra核辨识的多音激励设计

为了克服以往在Volterra核辨识的多音激励信号设计过程中,由于不恰当的选择多音激励信号相位而导致出现信号出现的强波峰,提出了一种新的基于遗传算法(genetic algorithm,GA)的多音激励信号设计方法.分析了多音激励下Volterra核的输出性质,提出了Volterra核辨识多音激励信号设计应满足的条件；以最小化波峰因子(Crest factor,CF)作为目标函数,将多音激励信号的相位选择问题看成一个多元优化问题,便于采用遗传算法来求解该问题；根据实际问题确定变量的取值范围,编码方式及遗传算法的控制参数等.理论分析及实验结果表明,该方法在不改变功率谱的情况下,可显著降低信号的CF,避免了强波峰的产生,是一种实用的方法.     

基于二阶系统阶跃响应辨识传递函数的实验设计

二阶系统是经典控制理论课程中的重要环节。传递函数是经典控制理论中设计控制器的基础。论文中设计了一个基于二阶系统阶跃响应的传递函数辨识的matlab实验。分别针对典型二阶欠阻尼系统和过阻尼(含临界阻尼)系统进行传递函数的辨识。其中欠阻尼系统传递函数的辨识采用阶跃响应特征法,过阻尼系统传递函数的辨识采用阶跃响应y-t直线拟合法。设计了具有代表性的实验数据以及实验结果。教学实践表明,该实验在实际教学中具有良好的效果。     

一种基于Volterra模型的非线性系统具有全解耦结构的递阶式自适应辨识方法

研究了在输入输出观测数据均含有噪声时如何对基于Volterra级数描述的非线性系统进行解耦自适应辨识的问题. 按照Volterra级数模型的伪线性组合结构, 采用总体最小二乘辨识技术的原理, 导出了一种总体全解耦辨识的思想. 从而建立了一种具有全解耦结构的递阶式自适应辨识算法, 给出了该算法的结构图. 相比于部分解耦辨识算法, 该算法的优点在于它能够在全噪声数据环境下得到更高的收敛速度和精度. 仿真研究的结果证明了本文方法的有效性.     

基于阶跃响应曲线特征的线性系统辨识方法研究

针对阶跃响应法建模的局限性,提出一种基于阶跃响应曲线特征的线性系统辨识方法。高阶线性系统可由多个一阶与二阶典型环节并联而成,分析典型环节各参数对曲线形状影响的规律,并依据其调整各参数值,以典型环节并联模型的拟合曲线逼近实际的阶跃响应曲线,从而得到系统的传递函数。另外,借助Matlab图形用户界面（GUI）平台,开发了辨识软件以验证该算法的正确性与可行性,实验结果表明,该方法辨识精度高,对于复杂控制系统建模具有一定的参考性。     

基于Volterra 模型的非线性系统预测控制

基于系统的正、负和双阶跃响应,提出一种新的非线性预测控制模型的建立方法,同时给出了相应的非线性控制算法,并证明了控制算法解的存在性和唯一性,针对 化工过程蒸馏塔控制系统,通过仿真计算验证了该方法的有效性。     

基于Volterra泛函级数的非线性系统的鲁棒辨识

针对弱非线性系统的鲁棒建模问题, 基于Volterra泛函级数, 结合集员辨识理论, 提出了广义频率响应函数的鲁棒辨识方法, 形成了一套较完整的弱非线性系统的鲁棒建模方法, 仿真结果表明该方法是行之有效的.     

System identification by operatorial cancellation of nonlinear terms and application to a class of Volterra models

In this paper, a method is proposed for the identification of some SISO nonlinear models with two ill‐known components of different nature: a linear (possibly dynamic) part and a static nonlinear one. This method is well adapted when no a priori information is available about the nonlinear component to be identified. It is based on a difference operator, which enables to cancel the nonlinear term when applied to the model. Only the ill‐known linear part remains in the transformed model; it can therefore be identified independently of the nonlinear term. Based on the identified linear component, we have access to a pseudograph of the nonlinear term, whose shape can give precious information for the parameterization of the unknown nonlinear part and its identification. The identification model under consideration is defined in an abstract framework, with very weak hypotheses, so that the proposed approach has a large scope. To highlight the method, a class of dynamic Volterra models including some hybrid models such as dynamic inclusions is considered for application. Copyright © 2016 John Wiley & Sons, Ltd.     

Crosscumulants based approaches for the structure identification of Volterra models

In this paper, we address the problem of structure identification of Volterra models. It consists in estimating the model order and the memory length of each kernel. Two methods based on input-output crosscumulants are developed. The first one uses zero mean independent and identically distributed Caussian input, and the second one concerns a symmetric input sequence. Simulations are performed on six models having different orders and kernel memory lengths to demonstrate the advantages of the proposed methods.     

Non‐Parametric Identification Method of Volterra Kernels for Nonlinear Systems Excited by Multitone Signal

To solve the problem of Volterra frequency‐domain kernels (VFKs) of nonlinear systems, which can be difficult to identify, we propose a novel non‐parametric identification method based on multitone excitation. First, we have studied the output properties of VFKs of nonlinear systems excited by the multitone signal, and derived a formula for identifying VFKs. Second, to improve the efficiency of the non‐parametric identification method, we suggest an increase in the number of tones for multitone excitation to simultaneously identify multi‐point VFKs with one excitation. We also propose an algorithm for searching the frequency base of multitone excitation. Finally, we use the interpolation method to separate every order output of VFK and extract its output frequency components, then use the derived formula to calculate the VFKs. The theoretical analysis and simulation results indicate that the non‐parametric method has a high precision and convenience of operation, improving the conventional methods, which have the defects of being unable to precisely identify VFKs and identification results are limited to three‐order VFK.     

基于少参数二阶Volterra级数的陀螺漂移预测

针对陀螺漂移角速度的非线性时间序列预测问题,提出了一种基于少参数二阶(RPSO)Volterra级数的仿射投影(AP)自适应辨识算法,建立了基于RPSO Volterra级数的非线性预测模型。根据预测模型中两个参数向量位置可互换的特性,AP算法推导出两个结构相似的迭代公式。然后给出基于遗传算法优化AP算法步长参数及建模的完整步骤。最后通过实测的陀螺漂移数据验证所提出的算法,在极短的时间内建立出模型并获得了精确的预测结果。     

二阶Volterra变记忆长度LMP算法

针对实际应用中非线性系统记忆长度未知致使Volterra自适应滤波器可能无法达到最优性能的问题,提出一种二阶Volterra变记忆长度LMP算法。利用Volterra滤波器二阶权系数矩阵的对称性和对称矩阵可对角化分解性质,推导得到了一阶权系数与二阶权系数个数相同的信号矢量与权系数矢量内积的二阶Volterra滤波器输出信号表达式;提出了基于DCT的二阶Volterra自适应滤波器（CSVF）及其LMP算法（CSVLMP）;采用FIR抽头长度的自适应调整思想,提出了基于DCT的二阶Volterra变记忆长度LMP算法（CSVMLMP）。记忆长度未知的非线性系统辨识的仿真结果表明,在[α]稳定分布噪声背景下,该算法在收敛速度、稳态性能和计算复杂度之间达到了较好的折中。     

非线性系统广义脉冲响应函数的盲辨识

探讨减少非线性系统广义脉冲响应函数（GIRF）盲辨识所需计算量问题。 基于线性MIMO模型，应用多项式矩阵理论和子空间盲辨识技术，研究使用部分噪声向量对非线性Volterra系统的GIRF盲辨识方法。该方法的优点是能有效减少GIRF盲辨识所需的计算量。这对GIRF盲辩识方法的在线应用是有利的。仿真结果说明了这一方法的有效性。     

Selection of input variables for model identification of static nonlinear systems

System identification can be divided into structure and parameter identification. In most system-identification approaches the structure is presumed and only a parameter identification is performed to obtain the coefficients in the functional system. Yet, often there is little knowledge about the system structure. In such cases, the first step has to be the identification of the decisive input variables. In this paper a black-box input variable identification approach using feedforward neural networks is proposed.     

一种Volterra级数简化辨识方法及其应用研究

针对非线性故障诊断一般计算量大,难以实施在线检测的不足,提出了一种基于分块最小均方（BLMS）滤波器的简化辨识方法。该方法利用影响指数的概念,在保证一定辨识精度的前提下,根据每个Volterra核对辨识结果贡献的大小对其进行筛选,然后用筛选出的有效核函数作为对原系统的近似,从而达到降低辨识维数减少计算量的目的。将该方法应用到某型号直升机电动舵机的故障诊断中,实际测试表明了该简化辨识算法的有效性,为实施在线非线性故障诊断提供了一种解决途径,就有较大的工程实用价值。