输出误差模型加权多新息随机梯度辨识算法

发布时间：2025-02-15 10:03

　　参数辨识是分析与设计被控系统的前提和基础。随机梯度类辨识算法是常见的一种辨识算法,不同于另一种常见的最小二乘类辨识算法,随机梯度类辨识算法在每步递推过程中由于利用比较少的信息,所以此类算法具有更小的计算量,执行效率更高,但同时算法的辨识精度也有所降低。对于参数待辨识的系统模型而言,种类也有许多。输出误差类模型是一类常见的辨识模型,具体包括输出误差模型、输出误差自回归模型、输出误差滑动平均模型和输出误差自回归滑动平均模型。本文主要针对输出误差类辨识模型和随机梯度辨识算法开展了研究,通过引入加权、多新息和最新估计的辨识思想对基本的随机梯度辨识算法进行了改进,使得改进的辨识算法针对输出误差类辨识模型拥有更高的辨识精度和更快的收敛速度,同时改进的辨识算法具有更小的计算量,克服了基本的随机梯度辨识算法辨识精度低的缺点。具体的研究内容安排如下:为了改善基本随机梯度辨识算法的信息利用率低的问题,基于多新息辨识思想,利用加权思想,通过引入权重值将算法每步递推过程中当前时刻的修正项与前一时刻的修正项加权求和,推导出四种输出误差模型的加权多新息随机梯度辨识算法;为了进一步提高加权多新息随机梯度辨识算法辨识的...

【文章页数】：98 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 课题的研究现状及分析
        1.2.1 系统辨识发展现状与主要内容
        1.2.2 梯度类辨识算法
    1.3 本文主要研究内容
第2章 输出误差模型的梯度辨识算法
    2.1 OE模型的基本结构
    2.2 OE模型的随机梯度辨识算法和多新息随机梯度辨识算法
    2.3 加权随机梯度辨识算法
        2.3.1 OE模型的加权随机梯度辨识算法
        2.3.2 OE模型的加权多新息随机梯度辨识算法
        2.3.3 OE模型的基于最新估计的加权多新息随机梯度辨识算法
    2.4 加权多新息随机梯度辨识算法的收敛性证明
    2.5 基于最新估计的加权多新息随机梯度辨识算法的收敛性证明
    2.6 仿真实例
    2.7 本章小结
第3章 输出误差自回归模型的梯度辨识算法
    3.1 OEAR模型的基本结构
    3.2 OEAR模型的随机梯度辨识算法和多新息随机梯度辨识算法
    3.3 加权随机梯度辨识算法
        3.3.1 OEAR模型的加权随机梯度辨识算法
        3.3.2 OEAR模型的加权多新息随机梯度辨识算法
        3.3.3 OEAR模型的基于最新估计的加权多新息随机梯度辨识算法
    3.4 仿真实例
    3.5 本章小结
第4章 输出误差滑动平均模型的梯度辨识算法
    4.1 OEMA模型的基本结构
    4.2 OEMA模型的随机梯度辨识算法和多新息随机梯度辨识算法
    4.3 加权随机梯度辨识算法
        4.3.1 OEMA模型的加权随机梯度辨识算法
        4.3.2 OEMA模型的加权多新息随机梯度辨识算法
        4.3.3 OEMA模型的基于最新估计的加权多新息随机梯度辨识算法
    4.4 仿真实例
    4.5 本章小结
第5章 输出误差自回归滑动平均模型的梯度辨识算法
    5.1 OEARMA模型的基本结构
    5.2 OEARMA模型的随机梯度辨识算法和多新息随机梯度辨识算法
    5.3 加权随机梯算法度辨识
        5.3.1 OEARMA模型的加权随机梯度辨识算法
        5.3.2 OEARMA模型的加权多新息随机梯度辨识算法
        5.3.3 OEARMA模型的基于最新估计的加权多新息随机梯度辨识算法
    5.4 仿真实例
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：4034134