發(fā)布時(shí)間：2017-10-16 03:44

  本文關(guān)鍵詞：方程誤差模型基于最新估計(jì)的多新息隨機(jī)梯度辨識(shí)

  更多相關(guān)文章： 隨機(jī)梯度 遞階辨識(shí) 多新息 最新估計(jì)信息

【摘要】：數(shù)學(xué)模型是分析系統(tǒng)動(dòng)態(tài)特性的基礎(chǔ)。辨識(shí)技術(shù)是建立復(fù)雜系統(tǒng)數(shù)學(xué)模型的有效方法之一。在實(shí)際工業(yè)生產(chǎn)過(guò)程中,由于控制系統(tǒng)日益復(fù)雜,僅依靠系統(tǒng)輸入輸出信息的辨識(shí)理論在建模過(guò)程中發(fā)揮著越來(lái)越重要的作用。隨機(jī)梯度算法是辨識(shí)理論中的一種經(jīng)典算法,而現(xiàn)有的隨機(jī)梯度辨識(shí)算法都是建立在一個(gè)參數(shù)向量的基礎(chǔ)上。然而,對(duì)于復(fù)雜的動(dòng)態(tài)系統(tǒng),這種辨識(shí)方法會(huì)影響辨識(shí)算法的收斂速度和在計(jì)算機(jī)上的運(yùn)算速度,并且,所得到的參數(shù)的辨識(shí)精度比較低。為了克服此缺陷,在經(jīng)典隨機(jī)梯度辨識(shí)算法的基礎(chǔ)上,我們利用遞階辨識(shí)原理建立基于最新估計(jì)信息的多新息隨機(jī)梯度辨識(shí)算法。本文的主要研究對(duì)象為方程誤差類模型,包括方程誤差模型、方程誤差滑動(dòng)平均模型、方程誤差自回歸模型和方程誤差自回歸滑動(dòng)平均模型。主要的研究?jī)?nèi)容和結(jié)果包括以下幾個(gè)方面。對(duì)四種方程誤差類模型,利用遞階辨識(shí)原理,將隨機(jī)梯度算法中一個(gè)參數(shù)向量分解成兩個(gè)子參數(shù)向量,然后對(duì)每個(gè)子參數(shù)向量,分別采用隨機(jī)梯度辨識(shí)算法進(jìn)行參數(shù)辨識(shí),從而提出了遞階隨機(jī)梯度辨識(shí)算法。該算法通過(guò)拆分向量提高了算法的收斂速度。在上述遞階隨機(jī)梯度辨識(shí)算法中,估計(jì)第二個(gè)子參數(shù)向量時(shí),利用了第一個(gè)子參數(shù)向量上一時(shí)刻的估計(jì)值。但是,此時(shí)第一個(gè)子參數(shù)向量當(dāng)前時(shí)刻的估計(jì)值是已知的。一般情況下,參數(shù)向量的當(dāng)前時(shí)刻的估計(jì)更接近于其真值。因此,在遞階隨機(jī)梯度辨識(shí)算法的基礎(chǔ)上,我們充分利用最新的估計(jì)信息,針對(duì)四種方程誤差類模型,提出了基于最新估計(jì)信息的多新息隨機(jī)梯度辨識(shí)算法。對(duì)所提出的基于最新估計(jì)的辨識(shí)算法進(jìn)行仿真研究,結(jié)果表明本文所提出的基于最新估計(jì)的辨識(shí)算法比已存在的多新息辨識(shí)算法有更快的收斂速度和更高的辨識(shí)精度。另外,我們也將所提出的基于最新估計(jì)的辨識(shí)算法推廣到了多輸入單輸出系統(tǒng)的辨識(shí)。
【關(guān)鍵詞】：隨機(jī)梯度 遞階辨識(shí) 多新息 最新估計(jì)信息
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：O231
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 第1章 緒論8-13
• 1.1 課題研究的背景和意義8
• 1.2 多新息辨識(shí)技術(shù)的應(yīng)用8-10
• 1.3 方程誤差類模型的研究現(xiàn)狀10-12
• 1.4 本課題的主要研究?jī)?nèi)容12-13
• 第2章 方程誤差模型的辨識(shí)算法13-26
• 2.1 多新息隨機(jī)梯度辨識(shí)算法13-15
• 2.2 遞階隨機(jī)梯度辨識(shí)算法15-18
• 2.3 基于最新估計(jì)信息的多新息隨機(jī)梯度辨識(shí)算法18-19
• 2.4 仿真實(shí)例19-25
• 2.4.1 單輸入單輸出系統(tǒng)仿真19-23
• 2.4.2 多輸入單輸出系統(tǒng)仿真23-25
• 2.5 本章小結(jié)25-26
• 第3章 方程誤差滑動(dòng)平均模型的辨識(shí)算法26-40
• 3.1 增廣的多新息隨機(jī)梯度辨識(shí)算法26-29
• 3.2 遞階增廣的隨機(jī)梯度辨識(shí)算法29-31
• 3.3 基于最新估計(jì)信息的增廣多新息隨機(jī)梯度辨識(shí)算法31-33
• 3.4 仿真實(shí)例33-39
• 3.4.1 單輸入單輸出系統(tǒng)仿真33-37
• 3.4.2 多輸入單輸出系統(tǒng)仿真37-39
• 3.5 本章小結(jié)39-40
• 第4章 方程誤差自回歸模型的辨識(shí)算法40-54
• 4.1 廣義的多新息隨機(jī)梯度辨識(shí)算法40-43
• 4.2 遞階廣義的隨機(jī)梯度辨識(shí)算法43-44
• 4.3 基于最新估計(jì)信息的廣義多新息隨機(jī)梯度辨識(shí)算法44-46
• 4.4 仿真實(shí)例46-53
• 4.4.1 單輸入單輸出系統(tǒng)仿真46-50
• 4.4.2 多輸入單輸出系統(tǒng)仿真50-53
• 4.5 本章小結(jié)53-54
• 第5章 方程誤差自回歸滑動(dòng)平均模型的辨識(shí)算法54-68
• 5.1 廣義增廣的多新息隨機(jī)梯度辨識(shí)算法54-57
• 5.2 遞階廣義增廣的隨機(jī)梯度辨識(shí)算法57-59
• 5.3 基于最新估計(jì)信息的廣義增廣多新息隨機(jī)梯度辨識(shí)算法59-61
• 5.4 仿真實(shí)例61-67
• 5.4.1 單輸入單輸出系統(tǒng)仿真61-65
• 5.4.2 多輸入單輸出系統(tǒng)仿真65-67
• 5.5 本章小結(jié)67-68
• 結(jié)論68-69
• 參考文獻(xiàn)69-73
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果73-75
• 致謝75

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 陳中偉;沈艷霞;;基于多新息最小二乘的感應(yīng)電機(jī)參數(shù)辨識(shí)策略[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

2 鄧自立;馬建為;杜洪越;;ARMA模型參數(shù)估計(jì)的兩段最小二乘法[J];科學(xué)技術(shù)與工程;2002年05期

3 丁鋒,蕭德云,丁韜;多新息隨機(jī)梯度辨識(shí)方法[J];控制理論與應(yīng)用;2003年06期

4 丁鋒;;系統(tǒng)辨識(shí)(1):辨識(shí)導(dǎo)引[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

5 陳曉偉;丁鋒;;有色噪聲系統(tǒng)的迭代辨識(shí)與遞推辨識(shí)方法仿真比較研究[J];系統(tǒng)仿真學(xué)報(bào);2008年21期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 鮑波;多變量方程誤差類模型的最小二乘參數(shù)估計(jì)[D];江南大學(xué);2012年

，

本文編號(hào)：1040434