类多变量输出误差类系统的递阶迭代辨识
发布时间：2020-11-09 03:04
系统辨识是根据系统的输入输出数据来建立描述系统的数学模型的理论。近年来,多变量系统的辨识问题引起了控制领域的广泛关注。多变量系统模型种类繁多,辨识方法远比单变量系统辨识要复杂。论文选题“类多变量输出误差类的递阶迭代辨识”,具有理论意义和应用前景。论文对输出误差类多变量系统的辨识问题进行了深入研究,取得的成果如下。 1.针对类多变量输出误差自回归系统,推导了其辨识模型。该辨识模型既包含了一个参数矩阵,又包含了一个参数向量,这是辨识的困难所在。利用基于分解的递阶辨识原理,推导了这类多变量系统的递阶广义最小二乘辨识算法和递阶最小二乘迭代辨识算法。仿真结果验证了提出算法的有效性。 2.针对类多变量输出误差滑动平均系统,提出了这类系统的递阶最小二乘迭代辨识算法和递阶梯度迭代辨识算法。仿真结果表明,梯度迭代辨识算法计算量小,但收敛速度比最小二乘迭代辨识算法慢。 3.针对类多变量自回归滑动平均系统,提出了相应的递阶最小二乘迭代辨识算法和递阶梯度迭代辨识算法,类多变量输出误差自回归系统和类多变量输出误差滑动平均系统可以看成是类多变量自回归滑动平均系统的简化形式,因而对其算法的推导更具有普遍性。最后用仿真结果验证了提出算法的有效性。 综上所述,论文推导和研究类多变量输出误差类系统的几种辨识算法,利用Matlab研究了一些仿真例子,结果说明提出的方法能够有效地辨识多变量系统地参数。论文的最后对该领域所面临的困难和一些问题做了简单的介绍。如系统辨识理论在医学,社会,微观或宏观经济的应用。
【学位单位】：江南大学
【学位级别】：硕士
【学位年份】：2011
【中图分类】：N945.14;O212.1
【部分图文】：
图2.4不同/，、仁)下的估计误差占(L=2000，尹=1.0沪FigZ， 4Theesti， natiorlerrors占*l、sus左 withdi头rent沪‘、(t)(L=2000，二2=1.002)如表2.1和图2.4，户一1是最好的选择，所以我们选择时变收敛因子户、=1，不同数据长度下的仿真例子如表2.2和图2.5所示，而不同零均值方差下的仿真例子如表2.3和图2.6所示。表2.2不同数据长度下的估计误差占(尹=3.00“.赵、一1.00)Tal〕 .2.2TheHLSIestimationer，·()1·s占ver、飞 15kwithdifferentL(aZ=3.002，拜、=1.0()) LkQl10()012520001253()0012真值一 0.12380一 0.35451一 0.34761一 0.11671一 0.38475一 0.36746一〔 ).11274一 0.34060一 0.33264一 0.35000Ql(1，1)1
4Theesti， natiorlerrors占*l、sus左 withdi头rent沪‘、(t)(L=2000，二2=1.002)如表2.1和图2.4，户一1是最好的选择，所以我们选择时变收敛因子户、=1，不同数据长度下的仿真例子如表2.2和图2.5所示，而不同零均值方差下的仿真例子如表2.3和图2.6所示。表2.2不同数据长度下的估计误差占(尹=3.00“.赵、一1.00)Tal〕 .2.2TheHLSIestimationer，·()1·s占ver、飞 15kwithdifferentL(aZ=3.002，拜、=1.0()) LkQl10()012520001253()0012真值一 0.12380一 0.35451一 0.34761一 0.11671一 0.38475一 0.36746一〔 ).11274一 0.34060一 0.33264一 0.35000Ql(1，1)1，90468 1.94395 1.93305 1.93085 1.92654 1.93667 1.98414 1.98203 1.98513 2.00000 Ql(1.2) 0.94958 0.90531 0.96246 0.94367().949()8 0.94918 0.97255 0.96309 0.97168 1.00000Q:(2，1) 1.00047 0.95706 0.98502 0.99659 1.00557 0.978051.()7058 1.06796 1.043251.()0000Q:(2，2)193046 1
4Theesti， natiorlerrors占*l、sus左 withdi头rent沪‘、(t)(L=2000，二2=1.002)如表2.1和图2.4，户一1是最好的选择，所以我们选择时变收敛因子户、=1，不同数据长度下的仿真例子如表2.2和图2.5所示，而不同零均值方差下的仿真例子如表2.3和图2.6所示。表2.2不同数据长度下的估计误差占(尹=3.00“.赵、一1.00)Tal〕 .2.2TheHLSIestimationer，·()1·s占ver、飞 15kwithdifferentL(aZ=3.002，拜、=1.0()) LkQl10()012520001253()0012真值一 0.12380一 0.35451一 0.34761一 0.11671一 0.38475一 0.36746一〔 ).11274一 0.34060一 0.33264一 0.35000Ql(1，1)1，90468 1.94395 1.93305 1.93085 1.92654 1.93667 1.98414 1.98203 1.98513 2.00000 Ql(1.2) 0.94958 0.90531 0.96246 0.94367().949()8 0.94918 0.97255 0.96309 0.97168 1.00000Q:(2，1) 1.00047 0.95706 0.98502 0.99659 1.00557 0.978051.()7058 1.06796 1.043251.()0000Q:(2，2)193046 1.97594 1
【参考文献】
本文编号：2875782
【学位单位】：江南大学
【学位级别】：硕士
【学位年份】：2011
【中图分类】：N945.14;O212.1
【部分图文】：
图2.4不同/，、仁)下的估计误差占(L=2000，尹=1.0沪FigZ， 4Theesti， natiorlerrors占*l、sus左 withdi头rent沪‘、(t)(L=2000，二2=1.002)如表2.1和图2.4，户一1是最好的选择，所以我们选择时变收敛因子户、=1，不同数据长度下的仿真例子如表2.2和图2.5所示，而不同零均值方差下的仿真例子如表2.3和图2.6所示。表2.2不同数据长度下的估计误差占(尹=3.00“.赵、一1.00)Tal〕 .2.2TheHLSIestimationer，·()1·s占ver、飞 15kwithdifferentL(aZ=3.002，拜、=1.0()) LkQl10()012520001253()0012真值一 0.12380一 0.35451一 0.34761一 0.11671一 0.38475一 0.36746一〔 ).11274一 0.34060一 0.33264一 0.35000Ql(1，1)1
4Theesti， natiorlerrors占*l、sus左 withdi头rent沪‘、(t)(L=2000，二2=1.002)如表2.1和图2.4，户一1是最好的选择，所以我们选择时变收敛因子户、=1，不同数据长度下的仿真例子如表2.2和图2.5所示，而不同零均值方差下的仿真例子如表2.3和图2.6所示。表2.2不同数据长度下的估计误差占(尹=3.00“.赵、一1.00)Tal〕 .2.2TheHLSIestimationer，·()1·s占ver、飞 15kwithdifferentL(aZ=3.002，拜、=1.0()) LkQl10()012520001253()0012真值一 0.12380一 0.35451一 0.34761一 0.11671一 0.38475一 0.36746一〔 ).11274一 0.34060一 0.33264一 0.35000Ql(1，1)1，90468 1.94395 1.93305 1.93085 1.92654 1.93667 1.98414 1.98203 1.98513 2.00000 Ql(1.2) 0.94958 0.90531 0.96246 0.94367().949()8 0.94918 0.97255 0.96309 0.97168 1.00000Q:(2，1) 1.00047 0.95706 0.98502 0.99659 1.00557 0.978051.()7058 1.06796 1.043251.()0000Q:(2，2)193046 1
4Theesti， natiorlerrors占*l、sus左 withdi头rent沪‘、(t)(L=2000，二2=1.002)如表2.1和图2.4，户一1是最好的选择，所以我们选择时变收敛因子户、=1，不同数据长度下的仿真例子如表2.2和图2.5所示，而不同零均值方差下的仿真例子如表2.3和图2.6所示。表2.2不同数据长度下的估计误差占(尹=3.00“.赵、一1.00)Tal〕 .2.2TheHLSIestimationer，·()1·s占ver、飞 15kwithdifferentL(aZ=3.002，拜、=1.0()) LkQl10()012520001253()0012真值一 0.12380一 0.35451一 0.34761一 0.11671一 0.38475一 0.36746一〔 ).11274一 0.34060一 0.33264一 0.35000Ql(1，1)1，90468 1.94395 1.93305 1.93085 1.92654 1.93667 1.98414 1.98203 1.98513 2.00000 Ql(1.2) 0.94958 0.90531 0.96246 0.94367().949()8 0.94918 0.97255 0.96309 0.97168 1.00000Q:(2，1) 1.00047 0.95706 0.98502 0.99659 1.00557 0.978051.()7058 1.06796 1.043251.()0000Q:(2，2)193046 1.97594 1
【参考文献】
相关期刊论文 前10条
1 潘立登;多变量系统子子模型辨识[J];北京化工学院学报(自然科学版);1988年04期
2 丁锋,萧德云,丁韬;多新息随机梯度辨识方法[J];控制理论与应用;2003年06期
3 丁锋,萧德云;多变量系统状态空间模型的递阶辨识[J];控制与决策;2005年08期
4 王冬青;丁锋;;基于辅助模型的多新息广义增广随机梯度算法[J];控制与决策;2008年09期
5 丁锋,谢新民,方崇智;时变系统辨识的多新息方法[J];自动化学报;1996年01期
6 丁锋,杨家本;大系统的递阶辨识[J];自动化学报;1999年05期
7 丁锋;;基于输出估计的多输入系统随机梯度估计算法[J];南京信息工程大学学报(自然科学版);2010年06期
8 丁锋;;系统辨识(1):辨识导引[J];南京信息工程大学学报(自然科学版);2011年01期
9 丁锋;;系统辨识(2):系统描述的基本模型[J];南京信息工程大学学报(自然科学版);2011年02期
10 王新;吕剑虹;向文国;;一种改进的子空间辨识方法在热工过程中的应用[J];中国电机工程学报;2010年32期
本文编号：2875782
本文链接：https://www.wllwen.com/projectlw/xtxlw/2875782.html
