在眾多的工程實踐中,由于離群點或脈沖干擾的存在,系統(tǒng)所受到的隨機噪聲干擾往往呈現(xiàn)出重尾分布,即重尾噪聲。研究表明,傳統(tǒng)的基于高斯噪聲假設(shè)的參數(shù)估計算法在重尾噪聲中將會出現(xiàn)性能上的嚴重下降或根本無法使用,因此如何針對重尾噪聲設(shè)計相應(yīng)的魯棒參數(shù)估計算法具有重要的理論意義與實踐價值。本文根據(jù)不同類型的隨機系統(tǒng),以重尾噪聲為背景,針對一些典型的模型結(jié)構(gòu)研究并提出了相應(yīng)的魯棒辨識方法,所做的具體工作如下:1.回顧了系統(tǒng)辨識的發(fā)展歷程,歸納并總結(jié)了國內(nèi)外學(xué)者對于參數(shù)估計類問題的研究現(xiàn)狀。介紹了包括用于描述隨機系統(tǒng)的基本模型類、常用的系統(tǒng)辨識輸入信號、典型的重尾分布噪聲等在內(nèi)的與本課題相關(guān)的基礎(chǔ)知識。2.針對一類受到重尾噪聲干擾的輸出誤差滑動平均系統(tǒng),首先給出了一種基于迭代再賦權(quán)重相關(guān)分析法的魯棒辨識方案,并針對該算法中權(quán)重函數(shù)在魯棒性及可靠性上的缺陷,通過使用Tukey m估計對權(quán)重函數(shù)進行改造,從而提出了一種改進算法,該算法可將一定區(qū)域內(nèi)的離群點完全濾除,因此提高了參數(shù)估計的魯棒性,通過仿真實驗給出了改進前后的算法在參數(shù)估計精度上的差異。3.對于一類存在重尾噪聲干擾的多變量Box-Jenkins... 

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文的背景及意義
    1.2 系統(tǒng)辨識的發(fā)展?fàn)顩r
    1.3 針對重尾噪聲的魯棒估計技術(shù)
    1.4 本文主要工作
第二章 系統(tǒng)辨識及參數(shù)估計基礎(chǔ)
    2.1 系統(tǒng)辨識的基本步驟
    2.2 隨機系統(tǒng)的基本模型類
        2.2.1 線性系統(tǒng)
        2.2.2 非線性系統(tǒng)
    2.3 系統(tǒng)輸入信號的選擇與產(chǎn)生方法
    2.4 典型的重尾分布噪聲
    2.5 魯棒的m估計
    2.6 小結(jié)
第三章 針對重尾噪聲影響下輸出誤差類模型的魯棒參數(shù)估計算法改進
    3.1 引言
    3.2 問題描述
    3.3 針對OEMA模型的原始迭代再賦權(quán)重相關(guān)分析算法
    3.4 改進后的迭代再賦權(quán)重相關(guān)分析算法
    3.5 仿真實驗
    3.6 小結(jié)
第四章 針對重尾噪聲影響下多變量Box-Jenkins模型的魯棒辨識算法研究
    4.1 引言
    4.2 問題描述
    4.3 基于最小二乘的迭代辨識算法
    4.4 魯棒的迭代最小二乘辨識算法
    4.5 仿真實驗
    4.6 小結(jié)
第五章 針對重尾噪聲影響下非線性Hammerstein模型的魯棒參數(shù)估計方法研究
    5.1 引言
    5.2 問題描述
    5.3 基于EM算法的魯棒辨識方案
        5.3.1 EM算法介紹
        5.3.2 基于EM的魯棒迭代辨識算法
    5.4 仿真實驗
    5.5 小結(jié)
第六章 總結(jié)與展望
參考文獻
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡介
附表


【參考文獻】：
期刊論文
[1]基于M估計的抗野值單站無源定位方法[J]. 徐步云,楊曉君,侯維君,李義紅.  雷達科學(xué)與技術(shù). 2016(06)
[2]Hammerstein模型辨識的回顧及展望[J]. 賈立,李訓(xùn)龍.  控制理論與應(yīng)用. 2014(01)
[3]基于重尾噪聲分布特性的多分類人臉識別方法[J]. 張如艷,王士同.  電子與信息學(xué)報. 2012(03)
[4]基于奇異值分解的內(nèi)模控制方法及在非方系統(tǒng)中的應(yīng)用[J]. 靳其兵,劉斯文,權(quán)玲,曹麗婷.  自動化學(xué)報. 2011(03)
[5]基于M估計器的支持向量機算法及其應(yīng)用[J]. 包鑫,戴連奎.  化工學(xué)報. 2009(07)
[6]動態(tài)調(diào)節(jié)模型的最小二乘迭代辨識方法[J]. 陳曉偉,丁鋒.  科學(xué)技術(shù)與工程. 2007(23)
[7]基于前向神經(jīng)網(wǎng)絡(luò)的多新息隨機梯度辨識算法[J]. 劉英玉,申東日,陳義俊,李蓉.  哈爾濱商業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2006(02)
[8]時變系統(tǒng)有限數(shù)據(jù)窗最小二乘辨識的有界收斂性[J]. 丁鋒,丁韜,蕭德云,楊家本.  自動化學(xué)報. 2002(05)



本文編號：3724435