基于CSA-RLS算法的Wiener模型辨识
发布时间：2021-08-10 03:04
Wiener模型由动态线性模块和静态非线性模块级联组成,广泛地应用于工业过程中。但对于带有中间噪声的Wiener模型的辨识研究少之又少,因此论文采用CSA-RLS算法对Wiener模型进行辨识。对于非线性模块用三次样条函数逼近,线性模块通过有限脉冲响应表示。最后再通过递推最小二乘算法进行参数辨识,而模型的定阶准则选用OVR和FOE方法。经数值仿真证明,利用CSA-RLS算法辨识参数的准确性相较于CSA-LS算法有所提高,且算法的收敛速度更快。
【文章来源】：计算机与数字工程. 2020,48(12)
【文章页数】：4 页
【部分图文】：
线性模块定阶图
2020年第12期计算机与数字工程图4待估参数变化图表1CSA-LS和CSA-RLS的辨识结果比较线性模块非线性模块综合误差评价指标AREMSECECSA-LS4.1799E-027.8321E-048.3806CSA-RLS2.2311E-023.5676E-046.0247从图4中可知，当采用CSA-RLS算法辨识参数线性模块参数时，b1?b2?b3分别在115，79，83处收敛，而采用的CSA-LS算法辨识结果分别在137，188，125处收敛；对于参数b2?b3，CSA-LS算法并没有收敛到其实际值，由此可见CSA-RLS算法在辨识参数的收敛性和准确性上要比CSA-LS算法好。表1也可进一步地看出，CSA-RLS算法辨识参数的准确性比CSA-LS算法辨识结果更好。由此说明，CSA-RLS算法能有效地提高算法的精确度。6结语对于带中间噪声的Wiener模型辨识问题，文中采用了三次样条逼近模型的非线性结构，采用有限脉冲响应逼近模型的线性部分，其参数辨识问题则利用RLS算法进行辨识。模型的阶次确定分别采用OVR和FOE方法定阶。算法经数值仿真证明，CSA-RLS算法在辨识问题的准确度和收敛性上表现效果均好于CSA-LS算法。参考文献［1］BoydS，ChuaL.FadingMemoryandTheProblemofApproximatingNonlinearOperatorswithVolterraSeries［J］.IEEETransactionsonCircuitsandSystems，1985，32（11）：1150-1161.［2］SchoukensM，TielsK.IdentificationofBlock-OrientedNonlinearSystemsStartingfromLinearApproximations：ASurvey［J］.Automatica，2017，85：272-292.［3］BillingsSA，FakhouriS
2020年第12期计算机与数字工程差为σ2v的高斯白噪声，并且与输入信号u(k)无关；图1含中间噪声的Wiener系统用高阶ARX模型来近似Wiener模型的线性部分：z2(k)=Bn(q)An(q)u(k)+1An(q)ε(k)（1）又因为非线性部分可逆，因此z2(k)=f-1(y(k))，式（1）则可以表示为An(q)f-1(y(k))=Bn(q)u(k)+ε(k)（2）那么定义模型参数估计损失函数为VARX=k=1Nε2(k)=k=1N[An(q)f-1(y(k))-Bn(q)u(k)]2（3）对于Wiener模型采用三次样条函数对非线性模块反函数进行拟合：z2(k)=i=2nγ-1wi|y(k)-yi|3+wnγ+wnγ+1y(k)+wnγ+2y2(k)+wnγ+3y3(k)（4）其中，y2?y3???ynγ-1是内部聚点，且各聚点满足y1=ymin<y2<?ynγ-1<ymax=ynγ。为了唯一确定模型参数，令wnγ+1=1，固定非线性模块的增益。于是式（3）可以写成：VARX=k=1N[An(q)z2(k)-Bn(q)u(k)]2=k=1N{An(q)[i=2nγ-1wi|y(k)-yi|3+wnγ+y(k)+wnγ+2y2(k)+wnγ+3y3(k)]-Bn(q)u(k)}2（5）令An(q)=1，则对于线性模块，用有限脉冲响应逼近其传递函数z1(k)=Bn(q)u(k)=i=1nbbiu(k-i)（6）根据式（5
【参考文献】：
期刊论文
[1]一种不完全信息下递推辨识方法及收敛性分析[J]. 杜大军,商立立,漆波,费敏锐. 自动化学报. 2015(08)
本文编号：3333325
【文章来源】：计算机与数字工程. 2020,48(12)
【文章页数】：4 页
【部分图文】：
线性模块定阶图
2020年第12期计算机与数字工程图4待估参数变化图表1CSA-LS和CSA-RLS的辨识结果比较线性模块非线性模块综合误差评价指标AREMSECECSA-LS4.1799E-027.8321E-048.3806CSA-RLS2.2311E-023.5676E-046.0247从图4中可知，当采用CSA-RLS算法辨识参数线性模块参数时，b1?b2?b3分别在115，79，83处收敛，而采用的CSA-LS算法辨识结果分别在137，188，125处收敛；对于参数b2?b3，CSA-LS算法并没有收敛到其实际值，由此可见CSA-RLS算法在辨识参数的收敛性和准确性上要比CSA-LS算法好。表1也可进一步地看出，CSA-RLS算法辨识参数的准确性比CSA-LS算法辨识结果更好。由此说明，CSA-RLS算法能有效地提高算法的精确度。6结语对于带中间噪声的Wiener模型辨识问题，文中采用了三次样条逼近模型的非线性结构，采用有限脉冲响应逼近模型的线性部分，其参数辨识问题则利用RLS算法进行辨识。模型的阶次确定分别采用OVR和FOE方法定阶。算法经数值仿真证明，CSA-RLS算法在辨识问题的准确度和收敛性上表现效果均好于CSA-LS算法。参考文献［1］BoydS，ChuaL.FadingMemoryandTheProblemofApproximatingNonlinearOperatorswithVolterraSeries［J］.IEEETransactionsonCircuitsandSystems，1985，32（11）：1150-1161.［2］SchoukensM，TielsK.IdentificationofBlock-OrientedNonlinearSystemsStartingfromLinearApproximations：ASurvey［J］.Automatica，2017，85：272-292.［3］BillingsSA，FakhouriS
2020年第12期计算机与数字工程差为σ2v的高斯白噪声，并且与输入信号u(k)无关；图1含中间噪声的Wiener系统用高阶ARX模型来近似Wiener模型的线性部分：z2(k)=Bn(q)An(q)u(k)+1An(q)ε(k)（1）又因为非线性部分可逆，因此z2(k)=f-1(y(k))，式（1）则可以表示为An(q)f-1(y(k))=Bn(q)u(k)+ε(k)（2）那么定义模型参数估计损失函数为VARX=k=1Nε2(k)=k=1N[An(q)f-1(y(k))-Bn(q)u(k)]2（3）对于Wiener模型采用三次样条函数对非线性模块反函数进行拟合：z2(k)=i=2nγ-1wi|y(k)-yi|3+wnγ+wnγ+1y(k)+wnγ+2y2(k)+wnγ+3y3(k)（4）其中，y2?y3???ynγ-1是内部聚点，且各聚点满足y1=ymin<y2<?ynγ-1<ymax=ynγ。为了唯一确定模型参数，令wnγ+1=1，固定非线性模块的增益。于是式（3）可以写成：VARX=k=1N[An(q)z2(k)-Bn(q)u(k)]2=k=1N{An(q)[i=2nγ-1wi|y(k)-yi|3+wnγ+y(k)+wnγ+2y2(k)+wnγ+3y3(k)]-Bn(q)u(k)}2（5）令An(q)=1，则对于线性模块，用有限脉冲响应逼近其传递函数z1(k)=Bn(q)u(k)=i=1nbbiu(k-i)（6）根据式（5
【参考文献】：
期刊论文
[1]一种不完全信息下递推辨识方法及收敛性分析[J]. 杜大军,商立立,漆波,费敏锐. 自动化学报. 2015(08)
本文编号：3333325
本文链接：https://www.wllwen.com/projectlw/xtxlw/3333325.html
