近年來,狀態(tài)空間系統(tǒng)的辨識在控制領(lǐng)域引起廣泛關(guān)注.對于高維數(shù)狀態(tài)空間系統(tǒng),其辨識算法計算量很大,特別是高維矩陣的乘積和求逆運算.為減小計算量,論文選題“基于模型分解的狀態(tài)空間系統(tǒng)辨識方法”,具有重要的理論研究意義和學(xué)術(shù)價值.論文針對該課題開展研究,取得的主要研究成果如下.1.針對標(biāo)量狀態(tài)空間系統(tǒng),其辨識模型既包含了未知狀態(tài),又包含了未知參數(shù),且二者是非線性乘積關(guān)系,使得辨識問題變得復(fù)雜.針對這一問題,本文采用遞推方法和迭代方法實現(xiàn)系統(tǒng)狀態(tài)與參數(shù)的交互估計.基本思路是在計算參數(shù)估計時,辨識算法信息向量中的未知狀態(tài)用其估計值代替,然后利用獲得的參數(shù)估計,設(shè)計基于參數(shù)估計的狀態(tài)觀測器（基于參數(shù)估計的Kalman濾波算法）估計系統(tǒng)的狀態(tài),進(jìn)而利用系統(tǒng)的輸入輸出數(shù)據(jù)和估計的狀態(tài),提出了基于狀態(tài)觀測器和基于Kalman濾波狀態(tài)估計的最小二乘算法和模型分解最小二乘算法等辨識算法.2.針對大規(guī)模多變量狀態(tài)空間系統(tǒng),其結(jié)構(gòu)復(fù)雜、參數(shù)數(shù)目多,當(dāng)維數(shù)較高時,辨識算法計算量大的問題則更為突出.我們將標(biāo)量狀態(tài)空間系統(tǒng)的辨識方法加以推廣,利用狀態(tài)觀測器估計狀態(tài),提出了多變量狀態(tài)空間系統(tǒng)的多新息隨機(jī)梯度算法和模型分... 

【文章頁數(shù)】：107 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題提出與研究意義
    1.2 狀態(tài)空間系統(tǒng)辨識方法綜述
    1.3 論文主要研究內(nèi)容簡介
第二章 SISO線性狀態(tài)空間系統(tǒng)的遞推辨識方法
    2.1 系統(tǒng)描述與辨識模型
    2.2 基于模型分解的多新息隨機(jī)梯度辨識算法
        2.2.1 隨機(jī)梯度辨識算法
        2.2.2 多新息隨機(jī)梯度辨識算法
        2.2.3 基于模型分解的多新息隨機(jī)梯度辨識算法
    2.3 基于模型分解的遞推最小二乘辨識算法
        2.3.1 遞推最小二乘辨識算法
        2.3.2 基于模型分解的遞推最小二乘辨識算法
    2.4 仿真例子
    2.5 小結(jié)
第三章 SISO線性狀態(tài)空間系統(tǒng)的迭代辨識方法
    3.1 系統(tǒng)描述與辨識模型
    3.2 基于模型分解的梯度迭代辨識算法
        3.2.1 梯度迭代辨識算法
        3.2.2 基于模型分解的梯度迭代辨識算法
    3.3 基于模型分解的最小二乘迭代辨識算法
        3.3.1 最小二乘迭代辨識算法
        3.3.2 基于模型分解的最小二乘迭代辨識算法
    3.4 仿真例子
    3.5 小結(jié)
第四章 MIMO線性狀態(tài)空間系統(tǒng)的辨識方法
    4.1 系統(tǒng)描述與辨識模型
    4.2 基于模型分解的多新息隨機(jī)梯度辨識算法
        4.2.1 多新息隨機(jī)梯度辨識算法
        4.2.2 基于模型分解的多新息隨機(jī)梯度辨識算法
    4.3 基于模型分解的遞推最小二乘辨識算法
        4.3.1 遞推最小二乘辨識算法
        4.3.2 基于模型分解的遞推最小二乘辨識算法
    4.4 基于模型分解的最小二乘迭代辨識算法
        4.4.1 最小二乘迭代辨識算法
        4.4.2 基于模型分解的最小二乘迭代辨識算法
    4.5 仿真例子
    4.6 小結(jié)
第五章 SISO雙線性狀態(tài)空間系統(tǒng)的辨識方法
    5.1 系統(tǒng)描述與辨識模型
    5.2 基于模型分解的遞推最小二乘辨識算法
        5.2.1 遞推最小二乘辨識算法
        5.2.2 基于模型分解的遞推最小二乘辨識算法
    5.3 基于模型分解的梯度迭代辨識算法
        5.3.1 梯度迭代辨識算法
        5.3.2 基于模型分解的梯度迭代辨識算法
    5.4 基于模型分解的最小二乘迭代辨識算法
        5.4.1 最小二乘迭代辨識算法
        5.4.2 基于模型分解的最小二乘迭代辨識算法
    5.5 仿真例子
    5.6 小結(jié)
主要結(jié)論與展望
致謝
參考文獻(xiàn)
附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]多變量系統(tǒng)狀態(tài)空間模型的遞階辨識[J]. 丁鋒,蕭德云.  控制與決策. 2005(08)
[2]雙線性系統(tǒng)多目標(biāo)控制問題研究[J]. 錢富才,高振斌,劉丁.  自動化學(xué)報. 2007(08)
[3]有色噪聲干擾下多變量系統(tǒng)的輔助模型辨識方法[J]. 劉淑霞,黃敏.  計算機(jī)測量與控制. 2009(01)
[4]具有限定記憶的輔助變量參數(shù)辨識法與仿真研究[J]. 魯照權(quán),胡焱東.  系統(tǒng)仿真技術(shù). 2009(02)
[5]隨機(jī)狀態(tài)空間系統(tǒng)的梯度優(yōu)化辨識[J]. 衷路生,樊曉平,楊輝,瞿志華.  計算機(jī)工程與應(yīng)用. 2010(33)
[6]狀態(tài)空間雙線性系統(tǒng)的極大似然辨識[J]. 衷路生,樊曉平,楊輝,瞿志華,齊葉鵬,顏爭.  計算機(jī)工程與應(yīng)用. 2011(10)
[7]不確定非線性系統(tǒng)基于偏差分離的雙線性控制[J]. 楊玲玲,章云,陳貞豐.  自動化學(xué)報. 2010(10)
[8]雙線性系統(tǒng)可控性綜述[J]. 鐵林,蔡開元,林巖.  自動化學(xué)報. 2011(09)
[9]廣義雙線性系統(tǒng)的二階終端滑�？刂芠J]. 梁家榮,樊仲光.  控制與決策. 2012(02)
[10]不確定時滯雙線性廣義系統(tǒng)的魯棒耗散控制[J]. 蘇曉明,肖梅娥.  控制與決策. 2012(04)



本文編號：3716704