系统类有关本科论文开题报告范文和一类广义Wiener非线性系统的参数辨识算法相关本科论文开题报告范文

《一类广义Wiener非线性系统的参数辨识算法》

本文是关于系统相关论文范文素材跟非线性和Wiener和参数辨识算法有关硕士毕业论文范文。

摘要：传统的Wiener系统在工业系统建模方面获得了大量应用,但是当系统含有动态非线性环节时,就会因为模型不匹配导致建模效果不佳.为了更好的对这类系统进行建模,必须将传统Wiener系统中的静态非线性模块扩展为动态非线性形式.在采用全新结构的基础上,基于关键项分离技术参数化系统以减小算法计算量,并避免出现参数乘积项；对数据进行滤波以获得参数的无偏估计；运用最小二乘算法以获得健壮的参数估计值.数值仿真表明了算法的有效性.

关键词：参数辨识；广义Wiener系统；关键项分离；最小二乘算法

中图分类号：TP391.9 文献标识码：A

1 引言(Introduction)

模块化非线性系统因其结构简单、适用性强,在非线性系统的建模过程中获得了广泛应用[1-3].从构成上看,典型的模块化非线性系统有Wiener系统、Hammerstein系统和Hammerstein-Wiener系统等.其中传统的Wiener系统是由一个线性动态模块串联一个非线性静态模块构成的,大量的实际的非线性系统可以用Wiener系统进行描述,如化学系统、生物系统和混沌系统[4-6],等等.由于Wiener系统含有的输出非线性环节,导致其辨识难度很大,辨识算法相对较少[7,8].

Wiener系统的辨识算法有如下特点：

(1)由于辨识难度大,智能优化算法在Wiener系统的辨识算法中占据了重要地位.如,吴德会基于一种新型的神经网络结构辨识Wiener模型参数[9].张艳、李少远等人利用粒子群优化算法对Wiener非线性系统的辨识问题进行了研究[10].Tan、Al-Duwaish等人基于遗传算法讨论了Wiener系统的辨识问题[11-13].

(2)最小二乘算法和极大似然算法也被经常用于Wiener系统的参数辨识中.如,最小二乘迭代辨识算法、递推最小二乘算法和极大似然辨识算法[14-16].

目前,在模块化非线性系统的辨识问题中,考虑的非线性模块多为静态的,即非线性模块的输出只与其当前时刻输入有关.然而,事实并非总是如此,为了更好的逼近实际系统、获得更加满意的辨识效果,本文将动态因素引入模块化非线性系统的非线性部分,构成了广义模块化非线性系统.本文研究一类典型的广义模块化非线性系统——广义Wiener系统的参数辨识问题.广义Wiener系统(Generalized Wienersystems,GW)由一个线性动态子模块后面串联一个动态非线性模块组成,其辨识难点包括：(1)两个环节中间的变量不可测,现有辨识方法无法直接应用；(2)直接参数化后导致出现参数乘积项,无法得到单个环节的参数；(3)系统的辨识参数化后系统维数很高,辨识算法的计算量很大.

针对一类有色噪声扰动的GW系统,本文首先以一种新的结构形式描述这类系统,随后利用关键项分离技术参数化系统,然后对输入输出数据进行滤波,将有色噪声白化为白噪声,再使用递推最小二乘算法获得无偏估计.最后用数值仿真验证了算法的有效性.

2 问题描述(Problem description)

那么,在式(2)中各多项式阶次已知的情况下,所提辨识算法的目标是利用观测到的输入输出数据估计式(4)中的参数向量.

3辨识算法(Identification algorithm)

从式(4)中容易看出,加在原广义Wiener系统上的噪声信号是一个滑动平均噪声,为了在获得无偏估计同时减小计算量,采用数据滤波算法,其基本思想是将式中有色噪声项滤波成白噪声,然后再进行辨识.

值得注意的是,式(3)中的信息向量中除了已知外,其他变量都是未知的,可以用它们的估计值代替.为了提高参数估计值的精度,采用滑动窗口指数平均技术对中间变量(关键项)进行了处理.

由于本算法是基于关键项分离技术和最小二乘算法的,所以该算法被命名为关键项分离的最小二乘算法(KTSRLS).算法的步骤如下：

Step 1：初始化；

Step 2：收集输入输出数据；

Step 3：基于关键项分离技术参数化系统；

Step 4：对输入输出数据进行滤波；

Step 5：用RLS算法对参数向量辨识；