EM算法在状态空间模型参数辨识中的应用

发布时间：2021-03-12 20:46

　　针对传统辨识方法中状态变量维数不易确定和参数辨识准确率差等问题,利用EM算法实现状态空间模型参数的辨识,并使用AIC准则来确定最优的状态变量维数。在EM算法中首先利用卡尔曼滤波和卡尔曼平滑算法来实现对状态期望的估计,然后再通过对数似然函数期望的最大化来实现参数和噪声协方差的估计,如此不断迭代,直至得到最优的估计参数。通过Matlab进行仿真和分析,结果表明该方法能有效地实现状态空间模型中参数的辨识和状态的估计,并且具有比较高的准确性。 

【文章来源】：控制工程. 2018,25(07)北大核心

【文章页数】：7 页

【参考文献】：
期刊论文
[1]主成分分析方法在基因调控网中的应用研究[J]. 何明霞,李彩峰.  生物数学学报. 2017(03)
[2]基于EM算法的有限维混合分布参数估计研究[J]. 全星澄,李巍.  统计与决策. 2017(12)
[3]基于Kalman滤波方法的感应电机控制研究[J]. 杨圣蓉,王剑平,张果,杨晓洪,王思.  控制工程. 2016(01)
[4]规范状态空间系统辨识方法[J]. 丁锋,马兴云.  南京信息工程大学学报(自然科学版). 2014(06)
[5]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)
[6]一种基于高斯混合模型的改进EM算法研究[J]. 宋磊,郑宝忠,张莹,闫丽,卫宏,刘建鹏,李涛,杨恒.  应用光学. 2013(06)
[7]基于不完整数据的EM算法初值选取[J]. 菅小艳.  太原师范学院学报(自然科学版). 2010(01)

博士论文
[1]状态空间模型辨识方法研究[D]. 衷路生.中南大学 2011

硕士论文
[1]基于EM算法的稳健方差分量估计研究[D]. 郭建刚.中国地质大学(北京) 2017
[2]EM算法在不完全监测数据处理中的应用研究[D]. 徐涛.成都理工大学 2017
[3]基于EM算法的多模型系统辨识[D]. 魏锦锦.江南大学 2016
[4]基于EM算法的不完全测量数据的处理方法研究[D]. 林东方.中南大学 2012



本文编号：3078957