參數(shù)辨識(shí)是分析與設(shè)計(jì)被控系統(tǒng)的前提和基礎(chǔ)。隨機(jī)梯度類(lèi)辨識(shí)算法是常見(jiàn)的一種辨識(shí)算法,不同于另一種常見(jiàn)的最小二乘類(lèi)辨識(shí)算法,隨機(jī)梯度類(lèi)辨識(shí)算法在每步遞推過(guò)程中由于利用比較少的信息,所以此類(lèi)算法具有更小的計(jì)算量,執(zhí)行效率更高,但同時(shí)算法的辨識(shí)精度也有所降低。對(duì)于參數(shù)待辨識(shí)的系統(tǒng)模型而言,種類(lèi)也有許多。輸出誤差類(lèi)模型是一類(lèi)常見(jiàn)的辨識(shí)模型,具體包括輸出誤差模型、輸出誤差自回歸模型、輸出誤差滑動(dòng)平均模型和輸出誤差自回歸滑動(dòng)平均模型。本文主要針對(duì)輸出誤差類(lèi)辨識(shí)模型和隨機(jī)梯度辨識(shí)算法開(kāi)展了研究,通過(guò)引入加權(quán)、多新息和最新估計(jì)的辨識(shí)思想對(duì)基本的隨機(jī)梯度辨識(shí)算法進(jìn)行了改進(jìn),使得改進(jìn)的辨識(shí)算法針對(duì)輸出誤差類(lèi)辨識(shí)模型擁有更高的辨識(shí)精度和更快的收斂速度,同時(shí)改進(jìn)的辨識(shí)算法具有更小的計(jì)算量,克服了基本的隨機(jī)梯度辨識(shí)算法辨識(shí)精度低的缺點(diǎn)。具體的研究?jī)?nèi)容安排如下:為了改善基本隨機(jī)梯度辨識(shí)算法的信息利用率低的問(wèn)題,基于多新息辨識(shí)思想,利用加權(quán)思想,通過(guò)引入權(quán)重值將算法每步遞推過(guò)程中當(dāng)前時(shí)刻的修正項(xiàng)與前一時(shí)刻的修正項(xiàng)加權(quán)求和,推導(dǎo)出四種輸出誤差模型的加權(quán)多新息隨機(jī)梯度辨識(shí)算法;為了進(jìn)一步提高加權(quán)多新息隨機(jī)梯度辨識(shí)算法辨識(shí)的...

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 課題的研究現(xiàn)狀及分析
        1.2.1 系統(tǒng)辨識(shí)發(fā)展現(xiàn)狀與主要內(nèi)容
        1.2.2 梯度類(lèi)辨識(shí)算法
    1.3 本文主要研究?jī)?nèi)容
第2章 輸出誤差模型的梯度辨識(shí)算法
    2.1 OE模型的基本結(jié)構(gòu)
    2.2 OE模型的隨機(jī)梯度辨識(shí)算法和多新息隨機(jī)梯度辨識(shí)算法
    2.3 加權(quán)隨機(jī)梯度辨識(shí)算法
        2.3.1 OE模型的加權(quán)隨機(jī)梯度辨識(shí)算法
        2.3.2 OE模型的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
        2.3.3 OE模型的基于最新估計(jì)的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
    2.4 加權(quán)多新息隨機(jī)梯度辨識(shí)算法的收斂性證明
    2.5 基于最新估計(jì)的加權(quán)多新息隨機(jī)梯度辨識(shí)算法的收斂性證明
    2.6 仿真實(shí)例
    2.7 本章小結(jié)
第3章 輸出誤差自回歸模型的梯度辨識(shí)算法
    3.1 OEAR模型的基本結(jié)構(gòu)
    3.2 OEAR模型的隨機(jī)梯度辨識(shí)算法和多新息隨機(jī)梯度辨識(shí)算法
    3.3 加權(quán)隨機(jī)梯度辨識(shí)算法
        3.3.1 OEAR模型的加權(quán)隨機(jī)梯度辨識(shí)算法
        3.3.2 OEAR模型的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
        3.3.3 OEAR模型的基于最新估計(jì)的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
    3.4 仿真實(shí)例
    3.5 本章小結(jié)
第4章 輸出誤差滑動(dòng)平均模型的梯度辨識(shí)算法
    4.1 OEMA模型的基本結(jié)構(gòu)
    4.2 OEMA模型的隨機(jī)梯度辨識(shí)算法和多新息隨機(jī)梯度辨識(shí)算法
    4.3 加權(quán)隨機(jī)梯度辨識(shí)算法
        4.3.1 OEMA模型的加權(quán)隨機(jī)梯度辨識(shí)算法
        4.3.2 OEMA模型的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
        4.3.3 OEMA模型的基于最新估計(jì)的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
    4.4 仿真實(shí)例
    4.5 本章小結(jié)
第5章 輸出誤差自回歸滑動(dòng)平均模型的梯度辨識(shí)算法
    5.1 OEARMA模型的基本結(jié)構(gòu)
    5.2 OEARMA模型的隨機(jī)梯度辨識(shí)算法和多新息隨機(jī)梯度辨識(shí)算法
    5.3 加權(quán)隨機(jī)梯算法度辨識(shí)
        5.3.1 OEARMA模型的加權(quán)隨機(jī)梯度辨識(shí)算法
        5.3.2 OEARMA模型的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
        5.3.3 OEARMA模型的基于最新估計(jì)的加權(quán)多新息隨機(jī)梯度辨識(shí)算法
    5.4 仿真實(shí)例
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號(hào)：4034134