本文針對帶量化輸出的輸出誤差模型和帶量化輸出的非線性輸出誤差模型進行辨識研究,介紹了基于模塊化和遞推思想的遞歸預測誤差辨識算法;在此基礎(chǔ)上,為了在每次遞歸中使用更多可用數(shù)據(jù),運用加權(quán)的思想得到了加權(quán)遞歸預測誤差辨識算法。在修正加權(quán)算法中,使用當前步驟中的信息來更新未知參數(shù)的估計。在t時刻的參數(shù)的估計值是由矯正項來更新的,參數(shù)的估計值將通過當前遞歸步驟處的矯正項和前一時刻的矯正項來更新。為了確保估計的準確性,新的矯正項將是當前遞歸步驟處的矯正項和前一時刻的矯正項的加權(quán)和。本文的主要研究工作如下:1.輸出誤差模型加入量化器后,不能直接測得輸出誤差模型的輸出,從而使辨識輸出誤差模型的參數(shù)變得困難。因此,針對帶量化輸出的輸出誤差模型,本文采用了遞歸預測誤差算法來辨識輸出誤差模型的參數(shù)。在此基礎(chǔ)上,提出了加權(quán)遞歸預測誤差算法、變梯度加權(quán)遞歸預測誤差算法和修正加權(quán)遞歸預測誤差算法。在這三個加權(quán)算法中,參數(shù)的估計值是由當前遞推步驟的矯正項與前一時刻的校正項的加權(quán)和來更新,從仿真實驗結(jié)果可以得到加權(quán)后的算法具有更好的辨識性能。2.本文推導了針對帶量化輸出的非線性輸出誤差模型的遞歸預測誤差算法,算法中對... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

帶輸入、輸出量化的輸出誤差模型

學專業(yè)學位碩士研究生學位論文 第三章 帶量化輸出的 OE 模型信號 ( )采用具有零均值和單位方差的激勵信號序列，v( )是零均值的白噪聲為量測部分輸出的采樣誤差[77]。將量化函數(shù)中的 初始化為 0.5，并將 初始化的初始值 ( )為[-0.5; 0.3; 0; 0.02]。聲方差 = 0.22時分別用加權(quán)遞歸預測誤差算法、變梯度加權(quán)遞歸預測誤差算遞歸預測誤差算法來估計該系統(tǒng)的參數(shù)，參數(shù)估計及其誤差如表 3.1，估算 ‖ 如圖 3.2 所示。其中 為 1 表示算法未加權(quán)的情況， 為 0.8 表示算為 0.8 的情況， 的初始值設置為 0.95， 為 0.99。這里的權(quán)值 只取 0.8 是驗后得出，當 = 時算法的辨識性能最優(yōu)。

學專業(yè)學位碩士研究生學位論文 第三章 帶量化輸出的 OE 模型真值 -1.56410 0.74080 0.09280 0.08390 0.00000聲方差 = 0. 2時分別用加權(quán)遞歸預測誤差算法、變梯度加權(quán)遞歸預測誤差算遞歸預測誤差算法來估計該系統(tǒng)的參數(shù)，參數(shù)估計及其誤差如表 3.2，估算誤。

【參考文獻】：
期刊論文
[1]AFM壓電陶瓷驅(qū)動器類Hammerstein建模與參數(shù)辨識[J]. 徐運揚,徐康康,沈平.  傳感技術(shù)學報. 2015(01)
[2]系統(tǒng)辨識（1）:辨識導引[J]. 丁鋒.  南京信息工程大學學報(自然科學版). 2011(01)
[3]未知激勵下框架結(jié)構(gòu)系統(tǒng)辨識的特征系統(tǒng)實現(xiàn)算法[J]. 李煒明,朱宏平,吳賢國,夏勇.  振動與沖擊. 2010(08)
[4]雙率采樣量化控制系統(tǒng)參數(shù)辨識方法[J]. 張濤,謝林柏,丁鋒.  科學技術(shù)與工程. 2008(21)

碩士論文
[1]基于壓縮感知原理的Hammerstein模型的辨識[D]. 閆亞茹.青島大學 2018
[2]Wiener非線性系統(tǒng)參數(shù)辨識智能算法研究[D]. 吳憬琳.江南大學 2015
[3]基于信號量化的系統(tǒng)參數(shù)辨識方法研究[D]. 張濤.江南大學 2009



本文編號：3019374