输入非线性系统的多新息辨识方法

发布时间：2023-03-11 16:48

　　非线性系统的辨识一直以来都是控制领域的研究难点和热点。输入非线性系统是一种典型的块结构模型,它能在线性系统的可处理性和非线性系统的精度之间提供了一个很好的折中,而被广泛应用于工业、经济和医药等领域。多新息辨识理论是通过扩展新息向量的维数提高观测数据使用率,从而改善算法的性能。本课题将多新息辨识理论与辨识领域的新技术和思想结合,研究有色噪声干扰下的输入非线性系统的辨识问题。论文主要成果如下。(1)针对输入非线性方程误差系统,利用过参数化方法,推导了基于过参数化的多新息梯度辨识算法。为降低有色噪声对参数估计的影响,获取更高的参数估计精度,利用线性滤波器对输入输出数据进行滤波,“白色化”有色噪声,提出了基于过参数化的滤波多新息梯度辨识算法,并进一步将提出的算法推广到多变量输入非线性方程误差系统的辨识。(2)针对输入非线性方程误差系统,为了避免过参数化方法导致的冗余参数问题,利用关键项分离方法参数化系统,得到不含有冗余参数的辨识模型,并结合数据滤波技术,提出了基于关键项分离的滤波多新息梯度辨识算法。此外,论文提出了新的参数化方法—参数分离方法,其基本思想是利用线性滤波器解除线性和非线性模块的参...

【文章页数】：126 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 问题提出与研究意义
    1.2 国内外研究现状
        1.2.1 非线性系统结构综述
        1.2.2 输入非线性系统的辨识方法综述
    1.3 预备知识介绍
        1.3.1 误差准则函数
        1.3.2 模型检验和辨识精度
    1.4 本文主要研究内容简介
第二章 输入非线性方程误差系统的多新息辨识方法
    2.1 系统描述
    2.2 基于过参数化的多新息辨识方法
        2.2.1 基于过参数化的多新息广义随机梯度算法
        2.2.2 基于过参数化的滤波多新息广义随机梯度算法
        2.2.3 数值仿真
    2.3 基于关键项分离的多新息辨识方法
        2.3.1 基于关键项分离的多新息增广随机梯度算法
        2.3.2 基于关键项分离的滤波多新息增广随机梯度算法
        2.3.3 数值仿真
    2.4 基于参数分离的多新息辨识方法
        2.4.1 基于参数分离的多新息增广随机梯度算法
        2.4.2 基于参数分离的分解多新息增广随机梯度辨识算法
        2.4.3 数值仿真
    2.5 本章小结
第三章 输入非线性输出误差系统的多新息辨识方法
    3.1 系统描述
    3.2 基于双线性参数模型的辅助模型多新息辨识方法
        3.2.1 基于过参数化的辅助模型多新息随机梯度算法
        3.2.2 基于过参数化的滤波辅助模型多新息随机梯度算法
        3.2.3 基于双线性参数模型分解的辅助模型多新息随机梯度算法
        3.2.4 数值仿真
    3.3 基于关键项分离的辅助模型多新息辨识方法
        3.3.1 基于关键项分离的辅助模型多新息随机梯度算法
        3.3.2 基于关键项分离的滤波辅助模型多新息随机梯度算法
        3.3.3 基于关键项分离的分解辅助模型多新息随机梯度算法
        3.3.4 数值仿真
    3.4 本章小结
第四章 多变量输入非线性系统的多新息辨识方法
    4.1 系统描述
    4.2 基于过参数化的多变量多新息辨识方法
        4.2.1 基于过参数化的多变量多新息随机梯度算法
        4.2.2 基于过参数化的滤波多变量多新息随机梯度算法
        4.2.3 数值仿真
    4.3 基于关键项分离的辅助模型多变量多新息辨识方法
        4.3.1 基于关键项分离的辅助模型多变量多新息随机梯度算法
        4.3.2 基于关键项分离的分解辅助模型多变量多新息随机梯度算法
        4.3.3 数值仿真
    4.4 本章小结
第五章 结论与展望
致谢
参考文献
附录: 攻读博士学位期间发表的论文



本文编号：3759881