在解決線性參變(LPV)模型的辨識問題上,最小二乘算法以結構簡單、計算復雜度低等優(yōu)點被大量使用。但最小二乘算法辨識結果受制于計算精度和模型近似精度,而這兩者在同一個系統(tǒng)中是互斥的。因此,該算法的辨識結果與真值總是存在一定的誤差。另外,在高階LPV模型辨識或采樣成本高的情況下,一般模型參數要多于辨識數據,而此時最小二乘算法很難得到穩(wěn)定的辨識結果。本文提出的動態(tài)壓縮測量辨識(DCMI)算法從兩個方面提高在該情況下的系統(tǒng)辨識精度。其一,利用"勻速變化"及"非勻速變化"模型表示參變函數,以提高模型近似精度。其二,利用壓縮感知理論的欠采樣能力,在同等數據量的情況下提高參數的計算精度、擴大模型的計算規(guī)模。仿真結果表明,基于"勻速變化"模型DCMI算法可以準確地辨識出LPV函數,而且該算法在辨識數據不足的情況下仍然能夠獲得穩(wěn)定的辨識結果。

【文章頁數】：9 頁

【文章目錄】：
1 壓縮感知
2 LPV模型
3 動態(tài)壓縮測量辨識算法
4 仿真試驗
    4.1 勻速變化模型
    4.2 非勻速變化模型
5 結論



本文編號：3783807