提出一種新的辨識算法對輸出誤差系統(tǒng)的參數進行辨識。運用Levenberg-Marquardt算法解決高斯牛頓法無法求逆的問題。一般算法中采用系統(tǒng)輸出代替未知變量,但是系統(tǒng)輸出中帶有測量噪聲會影響系統(tǒng)辨識算法的精度。為了解決這一問題,引入輔助模型思想,建立輔助模型,用輔助模型輸出代替系統(tǒng)中的未知變量。帶有固定遺忘因子的辨識算法,收斂速度較慢,預測精度較低。為了解決這一問題,引入基于預測誤差的可變遺忘因子,加快算法的收斂速度,提高算法的預測精度。最后,通過仿真證明了本文算法的有效性。

【文章頁數】：6 頁

【部分圖文】：

圖1輸出誤差系統(tǒng)

·1264·電子測量與儀器學報第30卷文提出了一種改進的Levenberg-Marquardt方法，通過調節(jié)算法中的因子提高收斂速度和預測精度。引入輔助模型思想，建立輔助模型，用輔助模型輸出代替系統(tǒng)中的未知變量。引入可變遺忘因子，進一步提高算法的收斂速度和預測精度。2系統(tǒng)模型及問....

圖2輔助模型Fig．2Auxiliarymodel

斯牛頓法進行迭代時，如果損失函數增大，則γ因子取較大值，利用梯度下降法快速搜索。從而提高算法的收斂速度和預測精度。因為參數向量^φ(k)中含有未知變量［xk－()1，xk－()2，…，x()k－na］，所以無法對系統(tǒng)參數進行辨識。一般采用y()k－i代替未知變量x()k－i，但是....

圖3誤差指標Fig．3Errorindex

·1266·電子測量與儀器學報第30卷NSＲ=abs(mean(v))abs(mean(Y))(32)或者用信噪比:SNＲ=20×log(1/NSＲ)(33)輸出誤差模型:y(k)=0．3z+0．2z2－1．3z+0．4u(k)+v(k)(34)式中:［a1，a2，b1，b2］=....

圖4參數辨識結果

·1266·電子測量與儀器學報第30卷NSＲ=abs(mean(v))abs(mean(Y))(32)或者用信噪比:SNＲ=20×log(1/NSＲ)(33)輸出誤差模型:y(k)=0．3z+0．2z2－1．3z+0．4u(k)+v(k)(34)式中:［a1，a2，b1，b2］=....

本文編號：3968430