方程误差类模型的多阶段递推参数辨识

发布时间：2020-12-23 23:30

　　随着工业化的发展,系统模型越来越复杂,系统辨识的计算量也越来越大。在系统辨识领域,当辨识参数向量维数较大时,递推最小二乘辨识算法的计算量会很大。针对这个问题,本文基于递推最小二乘算法、递阶辨识原理和多新息辨识理论,对方程误差类模型进行了算法推导和仿真研究,所推导出的算法具有理论意义与实际应用前景。取得了如下成果:1.针对方程误差滑动平均模型,依据递阶辨识原理,将模型分解为两个子模型,再分别用递推最小二乘法辨识这两个子模型,信息向量中含有的不可测噪声项用其估计值替换,推导出方程误差滑动平均模型的两阶段递推增广最小二乘算法。与方程误差滑动平均模型递推增广最小二乘算法比较,具有较小的计算量。2.针对方程误差自回归模型,推导出了方程误差自回归模型的三阶段递推广义最小二乘算法,仿真例子表明三阶段阶段递推广义最小二乘算法具有较小的计算量,特别是当系统模型维数较大时,效果更加明显。3.针对方程误差自回归滑动平均模型,首先结合两阶段递推辨识的思想,推导出两阶段递推广义增广最小二乘算法,再结合数字滤波思想将模型分成两个子模型,分别用多新息随机梯度算法辨识,推导出方程误差自回归滑动平均模型的基于滤波的两阶... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【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 国内外研究现状综述
        1.2.1 几类辨识方法综述
        1.2.2 方程误差类模型简介
    1.3 本文主要研究内容简介
第二章 方程误差滑动平均模型
    2.1 两阶段递推增广最小二乘算法
    2.2 递推增广最小二乘算法
    2.3 算法计算量分析
    2.4 仿真例子
    2.5 小结
第三章 方程误差自回归模型
    3.1 三阶段递推广义最小二乘算法
    3.2 递推广义最小二乘算法
    3.3 算法计算量分析
    3.4 仿真例子
    3.5 小结
第四章 方程误差自回归滑动平均模型
    4.1 两阶段递推广义增广最小二乘算法
    4.2 基于滤波的两阶段多新息随机梯度算法
    4.3 算法计算量分析
    4.4 仿真例子
    4.5 小结
结论与展望
致谢
参考文献
附录：作者在攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识[J]. 张旭辉,林海军,刘明珠,高豹江.  电力系统自动化. 2014(04)
[2]遗传算法理论与应用新探[J]. 赵越,茹婷婷.  轻工科技. 2014(01)
[3]基于遗传小波神经网络的光电稳定平台系统辨识[J]. 杨维新,唐伶俐,汪超亮,李子扬.  仪器仪表学报. 2013(03)
[4]辨识方法的计算效率(1):递推算法[J]. 丁锋.  南京信息工程大学学报(自然科学版). 2012(04)
[5]系统辨识(7):递阶辨识原理与方法[J]. 丁锋.  南京信息工程大学学报(自然科学版). 2012(02)
[6]遗传算法研究进展[J]. 马永杰,云文霞.  计算机应用研究. 2012(04)
[7]一种新的非线性离散时间系统的模糊辨识方法[J]. 包雪琴,师五喜.  计算机工程与应用. 2011(30)
[8]系统辨识(4):辅助模型辨识思想与方法[J]. 丁锋.  南京信息工程大学学报(自然科学版). 2011(04)
[9]系统辨识(3):辨识精度与辨识基本问题[J]. 丁锋.  南京信息工程大学学报(自然科学版). 2011(03)
[10]人工神经网络系统辨识综述[J]. 茹菲,李铁鹰.  软件导刊. 2011(03)



本文编号：2934535