带量化输出的非线性系统辨识算法研究

发布时间：2021-02-05 18:24

　　本文针对带量化输出的输出误差模型和带量化输出的非线性输出误差模型进行辨识研究,介绍了基于模块化和递推思想的递归预测误差辨识算法;在此基础上,为了在每次递归中使用更多可用数据,运用加权的思想得到了加权递归预测误差辨识算法。在修正加权算法中,使用当前步骤中的信息来更新未知参数的估计。在t时刻的参数的估计值是由矫正项来更新的,参数的估计值将通过当前递归步骤处的矫正项和前一时刻的矫正项来更新。为了确保估计的准确性,新的矫正项将是当前递归步骤处的矫正项和前一时刻的矫正项的加权和。本文的主要研究工作如下:1.输出误差模型加入量化器后,不能直接测得输出误差模型的输出,从而使辨识输出误差模型的参数变得困难。因此,针对带量化输出的输出误差模型,本文采用了递归预测误差算法来辨识输出误差模型的参数。在此基础上,提出了加权递归预测误差算法、变梯度加权递归预测误差算法和修正加权递归预测误差算法。在这三个加权算法中,参数的估计值是由当前递推步骤的矫正项与前一时刻的校正项的加权和来更新,从仿真实验结果可以得到加权后的算法具有更好的辨识性能。2.本文推导了针对带量化输出的非线性输出误差模型的递归预测误差算法,算法中对... 

【文章来源】：南京邮电大学江苏省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

带输入、输出量化的输出误差模型

学专业学位硕士研究生学位论文 第三章 带量化输出的 OE 模型信号 ( )采用具有零均值和单位方差的激励信号序列，v( )是零均值的白噪声为量测部分输出的采样误差[77]。将量化函数中的 初始化为 0.5，并将 初始化的初始值 ( )为[-0.5; 0.3; 0; 0.02]。声方差 = 0.22时分别用加权递归预测误差算法、变梯度加权递归预测误差算递归预测误差算法来估计该系统的参数，参数估计及其误差如表 3.1，估算 ‖ 如图 3.2 所示。其中 为 1 表示算法未加权的情况， 为 0.8 表示算为 0.8 的情况， 的初始值设置为 0.95， 为 0.99。这里的权值 只取 0.8 是验后得出，当 = 时算法的辨识性能最优。

学专业学位硕士研究生学位论文 第三章 带量化输出的 OE 模型真值 -1.56410 0.74080 0.09280 0.08390 0.00000声方差 = 0. 2时分别用加权递归预测误差算法、变梯度加权递归预测误差算递归预测误差算法来估计该系统的参数，参数估计及其误差如表 3.2，估算误。

【参考文献】：
期刊论文
[1]AFM压电陶瓷驱动器类Hammerstein建模与参数辨识[J]. 徐运扬,徐康康,沈平.  传感技术学报. 2015(01)
[2]系统辨识（1）:辨识导引[J]. 丁锋.  南京信息工程大学学报(自然科学版). 2011(01)
[3]未知激励下框架结构系统辨识的特征系统实现算法[J]. 李炜明,朱宏平,吴贤国,夏勇.  振动与冲击. 2010(08)
[4]双率采样量化控制系统参数辨识方法[J]. 张涛,谢林柏,丁锋.  科学技术与工程. 2008(21)

硕士论文
[1]基于压缩感知原理的Hammerstein模型的辨识[D]. 闫亚茹.青岛大学 2018
[2]Wiener非线性系统参数辨识智能算法研究[D]. 吴憬琳.江南大学 2015
[3]基于信号量化的系统参数辨识方法研究[D]. 张涛.江南大学 2009



本文编号：3019374