本文關(guān)鍵詞：輸入非線性方程誤差類系統(tǒng)牛頓迭代辨識方法

  更多相關(guān)文章： 牛頓迭代 遞階辨識 關(guān)鍵變量分離 輸入非線性系統(tǒng) 方程誤差類系統(tǒng)

【摘要】：非線性系統(tǒng)廣泛存在于工業(yè)實(shí)踐中,且隨著工業(yè)化的發(fā)展,系統(tǒng)的復(fù)雜程度不斷加深,系統(tǒng)數(shù)學(xué)模型更加復(fù)雜,辨識過程中的計算量也越來越大,因此非線性系統(tǒng)辨識研究具有重要的理論意義和實(shí)用價值。本文采用牛頓方法,遞階辨識原理和關(guān)鍵變量分離原理研究了輸入非線性方程誤差類系統(tǒng)辨識方法,取得了如下的研究成果。1.針對白噪聲干擾下的輸入非線性系統(tǒng),詳細(xì)推導(dǎo)了非線性系統(tǒng)牛頓迭代辨識方法。為了解決信息向量維數(shù)大而導(dǎo)致的計算量過大的問題,使用關(guān)鍵變量分離原理,將系統(tǒng)輸出表示為所有待辨識參數(shù)的線性回歸形式;使用遞階辨識原理,將原系統(tǒng)分解為兩個含參數(shù)少的子系統(tǒng),然后在此模型基礎(chǔ)上推導(dǎo)了牛頓迭代算法。通過對三種算法的計算量定量比較和數(shù)值仿真,驗證了所提出的兩種算法的有效性和計算量小的特點(diǎn)。2.針對滑動平均噪聲干擾下的輸入非線性系統(tǒng),也就是輸入非線性方程誤差滑動平均模型,分別推導(dǎo)基于關(guān)鍵變量分離的牛頓迭代算法和基于遞階分解的牛頓迭代算法,通過對這兩種算法和直接的牛頓迭代算法的仿真分析,驗證了將關(guān)鍵變量分離原理和遞階辨識原理應(yīng)用于輸入非線性系統(tǒng)辨識的有效性。3.針對輸入非線性方程誤差類系統(tǒng),將關(guān)鍵變量分離原理和遞階辨識原理應(yīng)用在牛頓迭代辨識方法中,用相應(yīng)的估計值代替算法中的未知中間變量和噪聲項,從而實(shí)現(xiàn)參數(shù)估計算法。由于輸入非線性方程誤差模型、方程誤差自回歸模型和方程誤差滑動平均模型都是方程誤差自回歸滑動平均模型的簡化形式,因此對這類模型的算法研究更具有普遍性。綜上,本文研究了輸入非線性方程誤差類系統(tǒng)的牛頓迭代辨識方法,仿真實(shí)驗表明了這些方法可以在不影響算法參數(shù)估計精度的同時減小計算量。論文最后給出了結(jié)論和展望,并對本課題的研究所面臨的一些困難和有待深入研究的問題做了簡單介紹,文中所給出的幾種輸入非線性系統(tǒng)的辨識算法的收斂性有待進(jìn)一步證明。
【關(guān)鍵詞】：牛頓迭代 遞階辨識 關(guān)鍵變量分離 輸入非線性系統(tǒng) 方程誤差類系統(tǒng)
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：O231.2
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-13
• 1.1 問題的提出與研究意義7-8
• 1.2 非線性系統(tǒng)辨識方法綜述8-11
• 1.3 本文主要研究內(nèi)容簡介11-13
• 第二章 輸入非線性方程誤差系統(tǒng)牛頓迭代辨識13-33
• 2.1 模型描述13-16
• 2.2 牛頓迭代算法16-19
• 2.3 基于關(guān)鍵變量分離的牛頓迭代算法19-23
• 2.4 基于遞階分解的牛頓迭代算法23-29
• 2.5 數(shù)值仿真29-30
• 2.6 小結(jié)30-33
• 第三章 輸入非線性方程誤差滑動平均系統(tǒng)牛頓迭代辨識33-49
• 3.1 模型描述33-34
• 3.2 增廣牛頓迭代算法34-36
• 3.3 基于關(guān)鍵變量分離的增廣牛頓迭代算法36-39
• 3.4 基于遞階分解的增廣牛頓迭代算法39-43
• 3.5 數(shù)值仿真43-45
• 3.6 小結(jié)45-49
• 第四章 輸入非線性方程誤差自回歸滑動平均系統(tǒng)牛頓迭代辨識49-65
• 4.1 模型描述49-50
• 4.2 廣義增廣牛頓迭代算法50-53
• 4.3 基于關(guān)鍵變量分離的廣義增廣牛頓迭代算法53-55
• 4.4 基于遞階分解的廣義增廣牛頓迭代算法55-59
• 4.5 數(shù)值仿真59-61
• 4.6 小結(jié)61-65
• 主要結(jié)論與展望65-67
• 致謝67-69
• 參考文獻(xiàn)69-73
• 附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文73

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉艷君;謝莉;;非均勻采樣多率ARMAX系統(tǒng)RELS算法性能分析[J];控制工程;2009年04期

2 范偉;丁鋒;;Hammerstein非線性系統(tǒng)參數(shù)估計分離的三種方法[J];科學(xué)技術(shù)與工程;2008年06期

3 初燕云;王冬青;楊國為;;Hammerstein OEMA系統(tǒng)的輔助模型最小二乘辨識[J];科學(xué)技術(shù)與工程;2009年22期

4 向微;陳宗海;;基于Hammerstein模型描述的非線性系統(tǒng)辨識新方法[J];控制理論與應(yīng)用;2007年01期

5 王冬青;;基于輔助模型的遞推增廣最小二乘辨識方法[J];控制理論與應(yīng)用;2009年01期

6 謝林柏;丁鋒;王艷;;基于輔助模型的量化控制系統(tǒng)辨識方法[J];控制理論與應(yīng)用;2009年03期

7 王勇,劉文江,孫連明;控制系統(tǒng)的一種直接盲辨識方法[J];控制與決策;2003年05期

8 袁廷奇;;一類多變量Hammerstein模型的參數(shù)辨識方法[J];控制與決策;2010年03期

9 辛斌;白永強(qiáng);陳杰;;基于偏差消除最小二乘估計和Durbin方法的兩階段ARMAX參數(shù)辨識[J];自動化學(xué)報;2012年03期

10 丁鋒;;系統(tǒng)辨識(5):迭代搜索原理與辨識方法[J];南京信息工程大學(xué)學(xué)報(自然科學(xué)版);2011年06期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 劉景t，

本文編號：545682