非線性系統(tǒng)的辨識一直以來都是控制領(lǐng)域的研究難點和熱點。輸入非線性系統(tǒng)是一種典型的塊結(jié)構(gòu)模型,它能在線性系統(tǒng)的可處理性和非線性系統(tǒng)的精度之間提供了一個很好的折中,而被廣泛應(yīng)用于工業(yè)、經(jīng)濟和醫(yī)藥等領(lǐng)域。多新息辨識理論是通過擴展新息向量的維數(shù)提高觀測數(shù)據(jù)使用率,從而改善算法的性能。本課題將多新息辨識理論與辨識領(lǐng)域的新技術(shù)和思想結(jié)合,研究有色噪聲干擾下的輸入非線性系統(tǒng)的辨識問題。論文主要成果如下。(1)針對輸入非線性方程誤差系統(tǒng),利用過參數(shù)化方法,推導(dǎo)了基于過參數(shù)化的多新息梯度辨識算法。為降低有色噪聲對參數(shù)估計的影響,獲取更高的參數(shù)估計精度,利用線性濾波器對輸入輸出數(shù)據(jù)進行濾波,“白色化”有色噪聲,提出了基于過參數(shù)化的濾波多新息梯度辨識算法,并進一步將提出的算法推廣到多變量輸入非線性方程誤差系統(tǒng)的辨識。(2)針對輸入非線性方程誤差系統(tǒng),為了避免過參數(shù)化方法導(dǎo)致的冗余參數(shù)問題,利用關(guān)鍵項分離方法參數(shù)化系統(tǒng),得到不含有冗余參數(shù)的辨識模型,并結(jié)合數(shù)據(jù)濾波技術(shù),提出了基于關(guān)鍵項分離的濾波多新息梯度辨識算法。此外,論文提出了新的參數(shù)化方法—參數(shù)分離方法,其基本思想是利用線性濾波器解除線性和非線性模塊的參...

【文章頁數(shù)】：126 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 問題提出與研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 非線性系統(tǒng)結(jié)構(gòu)綜述
        1.2.2 輸入非線性系統(tǒng)的辨識方法綜述
    1.3 預(yù)備知識介紹
        1.3.1 誤差準(zhǔn)則函數(shù)
        1.3.2 模型檢驗和辨識精度
    1.4 本文主要研究內(nèi)容簡介
第二章 輸入非線性方程誤差系統(tǒng)的多新息辨識方法
    2.1 系統(tǒng)描述
    2.2 基于過參數(shù)化的多新息辨識方法
        2.2.1 基于過參數(shù)化的多新息廣義隨機梯度算法
        2.2.2 基于過參數(shù)化的濾波多新息廣義隨機梯度算法
        2.2.3 數(shù)值仿真
    2.3 基于關(guān)鍵項分離的多新息辨識方法
        2.3.1 基于關(guān)鍵項分離的多新息增廣隨機梯度算法
        2.3.2 基于關(guān)鍵項分離的濾波多新息增廣隨機梯度算法
        2.3.3 數(shù)值仿真
    2.4 基于參數(shù)分離的多新息辨識方法
        2.4.1 基于參數(shù)分離的多新息增廣隨機梯度算法
        2.4.2 基于參數(shù)分離的分解多新息增廣隨機梯度辨識算法
        2.4.3 數(shù)值仿真
    2.5 本章小結(jié)
第三章 輸入非線性輸出誤差系統(tǒng)的多新息辨識方法
    3.1 系統(tǒng)描述
    3.2 基于雙線性參數(shù)模型的輔助模型多新息辨識方法
        3.2.1 基于過參數(shù)化的輔助模型多新息隨機梯度算法
        3.2.2 基于過參數(shù)化的濾波輔助模型多新息隨機梯度算法
        3.2.3 基于雙線性參數(shù)模型分解的輔助模型多新息隨機梯度算法
        3.2.4 數(shù)值仿真
    3.3 基于關(guān)鍵項分離的輔助模型多新息辨識方法
        3.3.1 基于關(guān)鍵項分離的輔助模型多新息隨機梯度算法
        3.3.2 基于關(guān)鍵項分離的濾波輔助模型多新息隨機梯度算法
        3.3.3 基于關(guān)鍵項分離的分解輔助模型多新息隨機梯度算法
        3.3.4 數(shù)值仿真
    3.4 本章小結(jié)
第四章 多變量輸入非線性系統(tǒng)的多新息辨識方法
    4.1 系統(tǒng)描述
    4.2 基于過參數(shù)化的多變量多新息辨識方法
        4.2.1 基于過參數(shù)化的多變量多新息隨機梯度算法
        4.2.2 基于過參數(shù)化的濾波多變量多新息隨機梯度算法
        4.2.3 數(shù)值仿真
    4.3 基于關(guān)鍵項分離的輔助模型多變量多新息辨識方法
        4.3.1 基于關(guān)鍵項分離的輔助模型多變量多新息隨機梯度算法
        4.3.2 基于關(guān)鍵項分離的分解輔助模型多變量多新息隨機梯度算法
        4.3.3 數(shù)值仿真
    4.4 本章小結(jié)
第五章 結(jié)論與展望
致謝
參考文獻
附錄: 攻讀博士學(xué)位期間發(fā)表的論文



本文編號：3759881