存在时延或数据缺失的Hammerstein系统辨识方法研究

发布时间：2021-11-13 11:11

　　模块化Hammerstein系统是由非线性静态模块和线性动态模块串联组合构成,由于可以灵活选择非线性模块和线性模块的表达形式,模块化Hammerstein系统具有形式简单和应用广泛的特点。针对存在时延或数据缺失的非线性动态工业过程,本文采用Hammerstein模型建模,提出了用于新型Hammerstein-QD时滞非线性系统参数估计的递推最小二乘算法,和存在缺失数据Hammerstein系统的基于辅助模型的期望最大化算法。本文具体研究内容如下:（1）按照线性模块的不同,给出了Hammerstein非线性模型的分类,对本文研究中所涉及到的最小二乘算法、径向基神经网络、期望最大化算法以及辅助模型辨识思想进行了详细的论述,为后续辨识工作做了铺垫。（2）针对带有时间延迟的非线性工业过程,本文采用一种新型的Hammerstein-QD模型进行建模,其中的非线性模块由含有时延的径向基神经网络构建。进一步,提出递推最小二乘算法估计系统中的未知参数。仿真结果证明,本文针对非线性时延系统提出的辨识建模方法是有效的。（3）针对输出数据存在缺失的Hammerstein非线性系统,将Hammerstein系... 

【文章来源】：青岛大学山东省

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

Hammerstein系统结构图

青岛大学硕士学位论文(k)z)v为 AR 模型。rstein CARARMA 模型：D(z)A(z) (k) B(z) (k) (k)(z)(k) N[ (k)]y x vCx u )(k))v为 ARMA 模型。各模型中，A(z)、B(z)、 C (z)、D(z)为关于单位后移算子1z

D(z)A(z) (k) B(z) (k) (k)(z)(k) N[ (k)]y x vCx u )(k))v为 ARMA 模型。各模型中，A(z)、B(z)、 C (z)、D(z)为关于单位后移算子1z 图 2.2 Hammerstein CAR 模型结构图

【参考文献】：
期刊论文
[1]基于递推最小二乘和改进支持度的WSN数据融合算法[J]. 陈俊杰,倪培洲,许广富,腾达.  测控技术. 2019(02)
[2]基于径向基神经网络与粒子群算法的双叶片泵多目标优化[J]. 王春林,胡蓓蓓,冯一鸣,刘轲轲.  农业工程学报. 2019(02)
[3]最小二乘估计的水下图像恢复算法[J]. 王永鑫,刁鸣,韩闯.  计算机辅助设计与图形学学报. 2018(11)
[4]辅助模型辨识方法（3）:输入非线性输出误差自回归系统[J]. 丁锋,毛亚文.  南京信息工程大学学报(自然科学版). 2016(03)
[5]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)
[6]约束Hammerstein系统构造性预测控制及其在聚丙烯牌号切换控制中的应用[J]. 何德峰,宋秀兰,俞立.  化工学报. 2011(08)
[7]辨识Hammerstein模型方法研究[J]. 王峰,邢科义,徐小平.  系统仿真学报. 2011(06)
[8]基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型[J]. 李文良,卫志农,孙国强,完整,缪伟.  电力自动化设备. 2009(06)
[9]基于径向基神经网络的铁路货运量预测[J]. 刘志杰,季令,叶玉玲,耿志民.  铁道学报. 2006(05)
[10]应用粒子群优化算法辨识Hammerstein模型[J]. 林卫星,张惠娣,刘士荣,钱积新.  仪器仪表学报. 2006(01)



本文编号：3492916