Wiener模型由動(dòng)態(tài)線性模塊和靜態(tài)非線性模塊級(jí)聯(lián)組成,廣泛地應(yīng)用于工業(yè)過程中。但對(duì)于帶有中間噪聲的Wiener模型的辨識(shí)研究少之又少,因此論文采用CSA-RLS算法對(duì)Wiener模型進(jìn)行辨識(shí)。對(duì)于非線性模塊用三次樣條函數(shù)逼近,線性模塊通過有限脈沖響應(yīng)表示。最后再通過遞推最小二乘算法進(jìn)行參數(shù)辨識(shí),而模型的定階準(zhǔn)則選用OVR和FOE方法。經(jīng)數(shù)值仿真證明,利用CSA-RLS算法辨識(shí)參數(shù)的準(zhǔn)確性相較于CSA-LS算法有所提高,且算法的收斂速度更快。 

【文章來源】：計(jì)算機(jī)與數(shù)字工程. 2020,48(12)

【文章頁數(shù)】：4 頁

【部分圖文】：

線性模塊定階圖

2020年第12期計(jì)算機(jī)與數(shù)字工程圖4待估參數(shù)變化圖表1CSA-LS和CSA-RLS的辨識(shí)結(jié)果比較線性模塊非線性模塊綜合誤差評(píng)價(jià)指標(biāo)AREMSECECSA-LS4.1799E-027.8321E-048.3806CSA-RLS2.2311E-023.5676E-046.0247從圖4中可知，當(dāng)采用CSA-RLS算法辨識(shí)參數(shù)線性模塊參數(shù)時(shí)，b1?b2?b3分別在115，79，83處收斂，而采用的CSA-LS算法辨識(shí)結(jié)果分別在137，188，125處收斂；對(duì)于參數(shù)b2?b3，CSA-LS算法并沒有收斂到其實(shí)際值，由此可見CSA-RLS算法在辨識(shí)參數(shù)的收斂性和準(zhǔn)確性上要比CSA-LS算法好。表1也可進(jìn)一步地看出，CSA-RLS算法辨識(shí)參數(shù)的準(zhǔn)確性比CSA-LS算法辨識(shí)結(jié)果更好。由此說明，CSA-RLS算法能有效地提高算法的精確度。6結(jié)語對(duì)于帶中間噪聲的Wiener模型辨識(shí)問題，文中采用了三次樣條逼近模型的非線性結(jié)構(gòu)，采用有限脈沖響應(yīng)逼近模型的線性部分，其參數(shù)辨識(shí)問題則利用RLS算法進(jìn)行辨識(shí)。模型的階次確定分別采用OVR和FOE方法定階。算法經(jīng)數(shù)值仿真證明，CSA-RLS算法在辨識(shí)問題的準(zhǔn)確度和收斂性上表現(xiàn)效果均好于CSA-LS算法。參考文獻(xiàn)［1］BoydS，ChuaL.FadingMemoryandTheProblemofApproximatingNonlinearOperatorswithVolterraSeries［J］.IEEETransactionsonCircuitsandSystems，1985，32（11）：1150-1161.［2］SchoukensM，TielsK.IdentificationofBlock-OrientedNonlinearSystemsStartingfromLinearApproximations：ASurvey［J］.Automatica，2017，85：272-292.［3］BillingsSA，F(xiàn)akhouriS

2020年第12期計(jì)算機(jī)與數(shù)字工程差為σ2v的高斯白噪聲，并且與輸入信號(hào)u(k)無關(guān)；圖1含中間噪聲的Wiener系統(tǒng)用高階ARX模型來近似Wiener模型的線性部分：z2(k)=Bn(q)An(q)u(k)+1An(q)ε(k)（1）又因?yàn)榉蔷�性部分可逆，因此z2(k)=f-1(y(k))，式（1）則可以表示為An(q)f-1(y(k))=Bn(q)u(k)+ε(k)（2）那么定義模型參數(shù)估計(jì)損失函數(shù)為VARX=k=1Nε2(k)=k=1N[An(q)f-1(y(k))-Bn(q)u(k)]2（3）對(duì)于Wiener模型采用三次樣條函數(shù)對(duì)非線性模塊反函數(shù)進(jìn)行擬合：z2(k)=i=2nγ-1wi|y(k)-yi|3+wnγ+wnγ+1y(k)+wnγ+2y2(k)+wnγ+3y3(k)（4）其中，y2?y3???ynγ-1是內(nèi)部聚點(diǎn)，且各聚點(diǎn)滿足y1=ymin<y2<?ynγ-1<ymax=ynγ。為了唯一確定模型參數(shù)，令wnγ+1=1，固定非線性模塊的增益。于是式（3）可以寫成：VARX=k=1N[An(q)z2(k)-Bn(q)u(k)]2=k=1N{An(q)[i=2nγ-1wi|y(k)-yi|3+wnγ+y(k)+wnγ+2y2(k)+wnγ+3y3(k)]-Bn(q)u(k)}2（5）令A(yù)n(q)=1，則對(duì)于線性模塊，用有限脈沖響應(yīng)逼近其傳遞函數(shù)z1(k)=Bn(q)u(k)=i=1nbbiu(k-i)（6）根據(jù)式（5

【參考文獻(xiàn)】：
期刊論文
[1]一種不完全信息下遞推辨識(shí)方法及收斂性分析[J]. 杜大軍,商立立,漆波,費(fèi)敏銳.  自動(dòng)化學(xué)報(bào). 2015(08)



本文編號(hào)：3333325