模塊化非線性系統(tǒng)的參數(shù)辨識算法研究.pdf

1、模塊化非線性系統(tǒng)作為非線性系統(tǒng)的一種形式，因其結(jié)構(gòu)簡單，適應(yīng)性強，被廣泛應(yīng)用于工業(yè)系統(tǒng)中。但由于各種非線性特性的存在，經(jīng)典的線性系統(tǒng)辨識方法無法直接應(yīng)用于這類系統(tǒng)的辨識。因此，研究模塊化非線性系統(tǒng)的參數(shù)辨識問題具有較高的理論意義與較強的實用價值。在國家自然基金等項目的支持下，本文研究了幾類模塊化非線性系統(tǒng)的參數(shù)辨識問題，其主要內(nèi)容如下：
　?。?）帶輸出噪聲的模塊化非線性系統(tǒng)的參數(shù)辨識。
　　針對一類帶輸出噪聲的Hammer

2、stein系統(tǒng)，提出了關(guān)鍵項分離遞推貝葉斯算法。首先基于關(guān)鍵項分離技術(shù)，將原非線性系統(tǒng)參數(shù)化為線性回歸形式，再利用遞推貝葉斯算法估計出乘積項參數(shù)值，并用奇異值分解得到單個參數(shù)估計值。該算法解決了輸入非線性環(huán)節(jié)引入的未知中間變量給辨識帶來的困難。數(shù)值仿真驗證了算法的有效性。
　　為了辨識一類帶輸出噪聲的Hammerstein-Wiener系統(tǒng)，提出了一種遞推形式的兩階段參數(shù)辨識算法。首先利用遞推貝葉斯算法得到乘積項參數(shù)，然后運用奇異

3、值分解得到待辨識參數(shù)。與傳統(tǒng)的迭代辨識方法相比，所提的算法在第一階段運用了遞推算法，有效地降低了計算工作量。數(shù)值仿真和工業(yè)案例建模驗證了算法的有效性。
　?。?）帶過程噪聲的模塊化非線性系統(tǒng)的辨識
　　為了辨識一類結(jié)構(gòu)已知的帶過程噪聲的Wiener非線性系統(tǒng)（線性部分為FIR模型、非線性結(jié)構(gòu)為多項式函數(shù)），提出了一種內(nèi)部誤差方法（IEM）。根據(jù)過程噪聲的特點，仿照輸出誤差方法（PEM），以最小化噪聲擾動前后的兩個中間變量的偏

4、差作為估計準(zhǔn)則，并基于最小二乘算法和松弛技術(shù)得到無偏估計值。數(shù)值仿真和工業(yè)案例建模驗證了算法的有效性。
　　對于一類結(jié)構(gòu)未知的帶過程噪聲的Wiener系統(tǒng)，用FIR模型逼近線性部分、線性樣條函數(shù)逼近非線性部分，提出了一種樣條逼近遞推貝葉斯算法。為了提高算法的逼近效果，算法中還融入了一種變聚點策略。該算法為辨識結(jié)構(gòu)未知的Wiener系統(tǒng)提供了一種可行的方法。數(shù)值仿真驗證了算法的有效性。
　　（3）閉環(huán)反饋模塊化非線性系統(tǒng)的參數(shù)

5、辨識
　　針對反饋Hammerstein系統(tǒng)，提出了一種計算量較小的隨機梯度算法。算法在隨機梯度算法的基礎(chǔ)上加入了遺忘因子，并采用了多新息技術(shù)，以提高收斂速度，最后用奇異值分解得到了待辨識參數(shù)。數(shù)值仿真驗證了算法的有效性。
　　針對反饋Wiener系統(tǒng)，首先將系統(tǒng)轉(zhuǎn)化為偽線性回歸形式，然后利用遞推貝葉斯算法進行了參數(shù)辨識。為了提高算法的收斂速度，算法中還加入了一種新的協(xié)方差重置策略。數(shù)值仿真和案例建模驗證了所提算法的有效性。

6、
　?。?）廣義模塊化非線性系統(tǒng)的參數(shù)辨識
　　針對一類廣義Hammerstein系統(tǒng)，提出一種遞階遞推貝葉斯算法。首先使用一種特殊的結(jié)構(gòu)參數(shù)化系統(tǒng)，并基于分解原理，將高維數(shù)的參數(shù)向量分成數(shù)個維數(shù)較小的子系統(tǒng)分別辨識。該算法解決了動態(tài)非線性環(huán)節(jié)的引入導(dǎo)致的參數(shù)向量維數(shù)過高的問題。數(shù)值仿真驗證了算法的有效性。
　　針對一類帶有色噪聲的廣義Wiener系統(tǒng)，提出了一種基于數(shù)據(jù)濾波的遞推貝葉斯算法。首先利用關(guān)鍵項分離技術(shù)參數(shù)