【摘要】：闡述了選題的目的和意義,概述了經(jīng)典系統(tǒng)辨識方法的研究狀況、模塊化非線性系統(tǒng)辨識方法的研究狀況、雙率/多率系統(tǒng)辨識方法的研究狀況。本文研究雙率采樣Hammerstein CAR系統(tǒng)的參數(shù)辨識方法,通過多項式變換技術和不同的模型轉(zhuǎn)換技術,得到雙率采樣Hammerstein CAR系統(tǒng)的兩類辨識模型：雙率雙線性辨識模型和雙率(單)線性辨識模型,然后提出基于兩類辨識模型的最小二乘辨識算法、隨機梯度辨識算法、遺忘因子隨機梯度辨識算法、多新息隨機梯度辨識算法。 1.提出雙率采樣Hammerstein CAR模型的基于遞階辨識原理的最小二乘辨識方法。將雙率采樣Hammerstein CAR模型通過多項式變換和模型轉(zhuǎn)換變換為雙率雙線性辨識模型,從而提出基于遞階辨識原理的雙率采樣Hammerstein CAR模型的最小二乘辨識算法,以交互估計辨識模型中每一個參數(shù)向量。最后通過仿真例子驗證了算法的有效性。 2.提出雙率采樣Hammerstein CAR模型的基于關鍵變量分離原理的最小二乘辨識方法。將雙率采樣Hammerstein CAR模型通過多項式變換和采用關鍵變量分離原理將模型變換為雙率(單)線性辨識模型,從而提出基于關鍵變量分離原理的雙率采樣Hammerstein CAR模型的最小二乘辨識算法。最后通過仿真例子驗證了算法的有效性。 3.提出雙率采樣Hammerstein CAR模型的基于關鍵變量分離原理的隨機梯度辨識算法、遺忘因子隨機梯度辨識算法、多新息隨機梯度辨識算法。針對最小二乘算法計算量大的缺點,將雙率采樣Hammerstein CAR模型通過多項式變換和采用關鍵變量分離原理將模型變換為雙率(單)線性辨識模型,提出基于關鍵變量分離原理的雙率采樣Hammerstein CAR模型的隨機梯度辨識算法,降低了計算量；進一步提出遺忘因子隨機梯度辨識算法和多新息隨機梯度辨識算法,來改善隨機梯度辨識算法收斂速度慢的缺點。并通過仿真例子驗證算法的有效性。
【學位授予單位】：青島大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：N945.14

【參考文獻】

相關期刊論文 前5條

1 丁鋒,蕭德云,丁韜;多新息隨機梯度辨識方法[J];控制理論與應用;2003年06期

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

3 王冬青;丁鋒;;基于輔助模型的多新息廣義增廣隨機梯度算法[J];控制與決策;2008年09期

4 丁鋒,謝新民,方崇智;時變系統(tǒng)辨識的多新息方法[J];自動化學報;1996年01期

5 朱燕飛;譚洪舟;章云;;一類非線性系統(tǒng)盲辨識算法及仿真研究[J];系統(tǒng)仿真學報;2008年14期

，

本文編號：2625214