發(fā)布時間：2020-09-25 08:54

　　 多新息辨識方法與傳統(tǒng)的最小二乘、隨機梯度類算法等采用單新息修正的辨識方法相比,具有更好的收斂性能以及克服壞數(shù)據(jù)的能力,因此對它的研究具有重要的理論意義以及應用價值。本論文在多新息辨識方法的基礎上,通過引入加權(quán)矩陣提出加權(quán)多新息辨識方法,并取得了以下的研究成果。 一、論文首先針對受控AR模型(CAR模型)推導出分別基于投影法以及隨機梯度法的加權(quán)多新息算法,并利用仿真例子說明了通過選擇合適的加權(quán)矩陣,加權(quán)多新息辨識方法比普通的多新息算法在相同新息長度下具有更快的收斂速度以及參數(shù)估計精度,最后簡要探討了加權(quán)矩陣對于參數(shù)估計效果的影響。 二、對于時變系統(tǒng)的參數(shù)估計,提出了帶有遺忘因子的加權(quán)多新息算法,并通過仿真結(jié)果證實了算法的有效性。 三、針對存在有色噪聲干擾的受控自回歸滑動平均模型(CARMA模型),提出了加權(quán)多新息增廣隨機梯度算法,并用仿真例子說明了與普通多新息增廣隨機梯度算法相比的優(yōu)越性。 四、進一步將加權(quán)多新息算法推廣到更為復雜的動態(tài)調(diào)節(jié)模型(DA模型),提出了加權(quán)多新息廣義隨機梯度算法,給出了參數(shù)估計的計算步驟并用仿真對算法辨識效果加以驗證。 論文最后對于加權(quán)多新息算法在應用中面臨的困難進行了簡單介紹,并對如何進一步研究加權(quán)多新息算法做出了展望。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位年份】：2010
【中圖分類】：N945.14
【部分圖文】：

圖 2-2 加權(quán)矩陣為1W 時參數(shù)估計誤差隨 k 的變化曲線采用不同的加權(quán)矩陣進行仿真，以此來考察加權(quán)矩陣的選值對參數(shù)估計性能的影響。分別取加權(quán)矩陣為， =01102W （即多新息投影算法） =011003W =0100104W =0101005W =210126W =00.530.407W

參數(shù)估計誤差隨k的變化曲線

=05101W當 p=5 時取加權(quán)矩陣 =00005000400030002000100002W表 2-2 和表 2-3 分別為多新息隨機梯度算法和加權(quán)隨機梯度算法在不同新息長度下的參數(shù)估計值及其誤差。由表 2-3 和圖 2-4 的仿真數(shù)據(jù)可知，使用加權(quán)多新息隨機梯度法對系統(tǒng)進行參數(shù)估計，參數(shù)估計誤差δ 隨著迭代步數(shù)k 和新息長度 p 的增大而減小，并且最終趨近于零。與使用普通多新息隨機梯度法對比，如果選擇到合適的加權(quán)矩陣，就可以在相同新息長度的情況下，得到更高的估計精度和更快的收斂速度。

【參考文獻】

相關(guān)期刊論文 前10條

1 丁鋒,丁韜;時變多變量系統(tǒng)多新息投影算法的均方收斂性[J];湖北工學院學報;2001年04期

2 劉英玉;申東日;陳義俊;李蓉;;基于前向神經(jīng)網(wǎng)絡的多新息隨機梯度辨識算法[J];哈爾濱商業(yè)大學學報(自然科學版);2006年02期

3 于麗;丁鋒;張佳波;;多新息隨機梯度辨識方法的收斂性研究[J];科學技術(shù)與工程;2007年21期

4 于麗;丁峰;;CARMA模型的多新息增廣隨機梯度辨識算法[J];科學技術(shù)與工程;2008年02期

5 廖育武;于麗;丁鋒;;自回歸模型的多新息隨機梯度和多新息最小二乘辨識方法[J];科學技術(shù)與工程;2008年04期

6 崔桂梅;關(guān)英輝;張勇;;一類有色噪聲干擾系統(tǒng)的有辨識研究[J];科學技術(shù)與工程;2010年18期

7 丁鋒;多變量系統(tǒng)的輔助模型辨識方法的收斂性分析[J];控制理論與應用;1997年02期

8 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

9 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

10 張勇;楊慧中;丁鋒;;有色噪聲干擾下的一種系統(tǒng)辨識方法[J];南京航空航天大學學報;2006年S1期

相關(guān)碩士學位論文 前1條

1 田軍;一類雙率采樣數(shù)據(jù)系統(tǒng)參數(shù)估計方法的研究[D];江南大學;2007年

本文編號：2826515