基于粒子群优化算法的非线性系统辨识
发布时间：2021-03-29 18:10
针对连续非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低,辨识效果差等问题。为此,采用粒子群优化算法对非线性系统进行辨识的方法,将参数辨识问题转换为参数空间上的函数优化问题。为了进一步增强粒子群优化算法的辨识性能,提出采用迭代粒子群对整个参数空间进行搜索得到系统参数的最优估计。通过MATLAB软件进行仿真,仿真实验结果证明:该方法收敛速度较快,辨识得到的参数精度较高。该方法与最小二乘方法相比,计算量小,过程简单,不用计算多重积分,辨识速度较快,辨识精度高。
【文章来源】：自动化与仪器仪表. 2020,(05)
【文章页数】：5 页
【部分图文】：
Hammerstein系统
Step8比较 θ ^ g (k+1) 和 θ ^ g(k)。如果 || θ ^ g (k+1)- θ ^ g (k)||≤ε ,则终止该过程,并获得估计值 θ ^ g (k+1) ;否则,将k增加1,然后执行Step2。4 仿真实验
表2 最小二法估计和误差 k α1 α2 b1 b2 γ1 γ2 γ3 d1 d2 δ(%) 100 -1.076 47 0.850 95 0.991 62 0.430 55 0.726 34 0.666 47 1.999 52 0.830 42 0.243 28 17.204 15 200 -0.823 16 0.545 11 0.601 31 0.456 06 0.859 96 0.917 27 1.162 46 0.698 60 0.338 34 16.209 51 300 -0.709 91 0.456 91 0.630 68 0.512 25 0.879 82 0.979 28 1.160 49 0.634 17 0.368 87 15.333 30 1 000 -0.478 80 0.361 24 0.648 34 0.531 42 0.935 18 0.979 33 1.159 59 0.522 68 0.377 81 9.972 19 3 000 -0.423 88 0.338 29 0.648 38 0.590 28 0.954 67 0.982 07 1.155 49 0.530 70 0.413 31 5.436 51 5 000 -0.425 09 0.334 49 0.749 37 0.609 60 0.982 73 0.982 74 1.154 63 0.559 92 0.433 16 4.114 64 真值 -0.430 00 0.350 00 0.760 00 0.620 00 1.000 00 0.980 00 1.150 00 0.567 00 0.462 00图4 t时刻最小二乘法的参数估计结果
【参考文献】：
期刊论文
[1]粒子群优化算法分析及研究进展[J]. 朱丽莉,杨志鹏,袁华. 计算机工程与应用. 2007(05)
[2]粒子群优化算法综述[J]. 杨维,李歧强. 中国工程科学. 2004(05)
[3]粒子群优化算法[J]. 周驰,高海兵,高亮,章万国. 计算机应用研究. 2003(12)
本文编号：3107957
【文章来源】：自动化与仪器仪表. 2020,(05)
【文章页数】：5 页
【部分图文】：
Hammerstein系统
Step8比较 θ ^ g (k+1) 和 θ ^ g(k)。如果 || θ ^ g (k+1)- θ ^ g (k)||≤ε ,则终止该过程,并获得估计值 θ ^ g (k+1) ;否则,将k增加1,然后执行Step2。4 仿真实验
表2 最小二法估计和误差 k α1 α2 b1 b2 γ1 γ2 γ3 d1 d2 δ(%) 100 -1.076 47 0.850 95 0.991 62 0.430 55 0.726 34 0.666 47 1.999 52 0.830 42 0.243 28 17.204 15 200 -0.823 16 0.545 11 0.601 31 0.456 06 0.859 96 0.917 27 1.162 46 0.698 60 0.338 34 16.209 51 300 -0.709 91 0.456 91 0.630 68 0.512 25 0.879 82 0.979 28 1.160 49 0.634 17 0.368 87 15.333 30 1 000 -0.478 80 0.361 24 0.648 34 0.531 42 0.935 18 0.979 33 1.159 59 0.522 68 0.377 81 9.972 19 3 000 -0.423 88 0.338 29 0.648 38 0.590 28 0.954 67 0.982 07 1.155 49 0.530 70 0.413 31 5.436 51 5 000 -0.425 09 0.334 49 0.749 37 0.609 60 0.982 73 0.982 74 1.154 63 0.559 92 0.433 16 4.114 64 真值 -0.430 00 0.350 00 0.760 00 0.620 00 1.000 00 0.980 00 1.150 00 0.567 00 0.462 00图4 t时刻最小二乘法的参数估计结果
【参考文献】：
期刊论文
[1]粒子群优化算法分析及研究进展[J]. 朱丽莉,杨志鹏,袁华. 计算机工程与应用. 2007(05)
[2]粒子群优化算法综述[J]. 杨维,李歧强. 中国工程科学. 2004(05)
[3]粒子群优化算法[J]. 周驰,高海兵,高亮,章万国. 计算机应用研究. 2003(12)
本文编号：3107957
本文链接：https://www.wllwen.com/projectlw/xtxlw/3107957.html
