發(fā)布時間：2020-10-24 09:21

　　 本文研究了Hammerstein CAR系統(tǒng)參數(shù)和階次的同時辨識問題,概述了Hammerstein系統(tǒng)辨識方法的國內(nèi)外研究現(xiàn)狀。采用壓縮感知原理,提出Hammerstein CAR的基于關(guān)鍵變量分離原理的正交匹配追蹤辨識方法(orthogonal matching pursuit,OMP)和基于輔助變量的正交匹配追蹤辨識方法。對提出的兩種基于壓縮感知原理的辨識方法的有效性進行了仿真驗證。研究內(nèi)容如下:第一,介紹模塊化系統(tǒng)的結(jié)構(gòu),綜述了模塊化系統(tǒng)的辨識方法;介紹了基本的一次完成最小二乘辨識方法和遞推最小二乘辨識方法,以及輔助模型思想和關(guān)鍵變量分離原理。第二,針對Hammerstein CAR系統(tǒng),將關(guān)鍵變量分離原理與壓縮感知原理中正交匹配追蹤算法相結(jié)合,提出基于關(guān)鍵變量分離原理的正交匹配追蹤辨識方法。利用關(guān)鍵變量分離原理得到系統(tǒng)線性參數(shù)模型,避免了傳統(tǒng)非線性模塊和線性模塊參數(shù)乘積項導致的過參數(shù)化;進一步為了減少噪聲對系統(tǒng)辨識的影響,采用帶有閾值的正交匹配追蹤(TH-OMP)算法對模型階次和參數(shù)同時進行辨識。第三,針對Hammerstein CARMA系統(tǒng),將輔助變量思想與壓縮感知原理中正交匹配追蹤算法相結(jié)合,提出基于輔助變量的正交匹配追蹤辨識方法。借助濾波技術(shù)和輔助變量對系統(tǒng)方程進行化簡和參數(shù)解耦,將系統(tǒng)輸出表示為含所有待估參數(shù)的線性回歸方程;針對模型中不可測參數(shù)問題,利用輔助模型辨識思想,用模型中不可測參數(shù)的估計值代替各個不可測參數(shù),提出基于濾波技術(shù)和輔助變量的參數(shù)和階次同時估計的辨識方法。第四,對所提出兩種辨識算法,進行了相應的Matlab仿真。仿真結(jié)果表明所提出兩種算法,辨識精度高,算法的運算量小,能夠?qū)崿F(xiàn)在線辨識。
【學位單位】：青島大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：N945.14
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的意義及背景
    1.2 系統(tǒng)辨識概述
        1.2.1 模型
        1.2.2 系統(tǒng)辨識
    1.3 本文主要內(nèi)容及內(nèi)容安排
第二章 模塊化系統(tǒng)概述
    2.1 模塊化系統(tǒng)簡介
    2.2 常用辨識方法
        2.2.1 最小二乘辨識方法
        2.2.2 基于輔助模型思想的辨識方法
        2.2.3 基于關(guān)鍵變量分離原理的辨識方法
    2.3 本章小結(jié)
第三章 壓縮感知原理
    3.1 壓縮感知原理產(chǎn)生背景
    3.2 壓縮感知原理的內(nèi)容
        3.2.1 可壓縮信號的稀疏表示
        3.2.2 設(shè)計測量矩陣
        3.2.3 信號重構(gòu)
    3.3 本章小結(jié)
第四章 Hammerstein模型的正交匹配追蹤辨識方法
    4.1 基于關(guān)鍵變量分離原理的正交匹配追蹤辨識算法
        4.1.1 Hammerstein CAR模型描述
        4.1.2 算法推導
        4.1.3 仿真實例與分析
    4.2 基于輔助變量的正交匹配追蹤算法
        4.2.1 Hammerstein CARMA模型描述
        4.2.2 算法推導
        4.2.3 仿真實例與分析
    4.3 本章小結(jié)
第五章 結(jié)論與展望
參考文獻
攻讀學位期間的研究成果
致謝

【相似文獻】

相關(guān)期刊論文 前10條

1 石曼曼;李雷;楊真真;;分段迭代匹配追蹤圖像重構(gòu)算法[J];中國圖象圖形學報;2017年09期

2 王世豪;金輝鑫;;基于微分進化算法的匹配追蹤算法研究[J];數(shù)字技術(shù)與應用;2015年01期

3 黃芳;朱永忠;;基于局部性質(zhì)的改進正交匹配追蹤算法[J];青島科技大學學報(自然科學版);2013年05期

4 張玉峰;;改進的基于樹型搜索的正交匹配追蹤算法[J];電腦知識與技術(shù)(學術(shù)交流);2007年14期

5 高強,張發(fā)啟,孫德明,何正嘉;遺傳算法降低匹配追蹤算法計算量的研究[J];振動、測試與診斷;2003年03期

6 高飛,玉振明,解光;匹配追蹤分解算法的簡化實現(xiàn)[J];廣西大學梧州分校學報;2002年01期

7 沙志超;盛衛(wèi)東;徐湛;李駿;;運用改進正交匹配追蹤算法精確估計跳頻信號跳變時刻[J];國防科技大學學報;2016年02期

8 司菁菁;候肖蘭;程銀波;;基于塊剪枝多路徑匹配追蹤的多信號聯(lián)合重構(gòu)[J];系統(tǒng)工程與電子技術(shù);2016年09期

9 邢巖輝;林云;;改進的壓縮采樣匹配追蹤算法[J];計算機應用;2015年S1期

10 熊承義;董攀峰;;基于FPGA的正交匹配追蹤算法的硬件實現(xiàn)[J];中南民族大學學報(自然科學版);2013年02期

相關(guān)博士學位論文 前10條

1 李青;優(yōu)化核方法[D];西安電子科技大學;2007年

2 羅詠劼;追蹤與廣義近似消息傳遞[D];電子科技大學;2016年

3 趙勇;小波變換與匹配追蹤電能質(zhì)量分析方法研究[D];北京化工大學;2011年

4 馮勇明;基于Lamb波的航空復合材料板結(jié)構(gòu)損傷識別技術(shù)方法研究[D];南京航空航天大學;2012年

5 畢雪;基于能量的稀疏重建及多尺度壓縮感知的研究[D];西南交通大學;2014年

6 嚴�？�;低速重載機械早期故障稀疏特征提取的研究[D];武漢科技大學;2014年

7 李政;飛機常見結(jié)構(gòu)原位超聲無損檢測技術(shù)研究[D];國防科學技術(shù)大學;2010年

8 易學能;圖像的稀疏字典及其應用[D];華中科技大學;2011年

9 彭延峰;自適應最稀疏時頻方法及其在旋轉(zhuǎn)機械故障診斷中的應用[D];湖南大學;2017年

10 徐安豹;壓縮感知與矩陣填充問題的閾值算法及匹配追蹤算法研究[D];湖南大學;2017年

相關(guān)碩士學位論文 前10條

1 張帥;基于匹配追蹤的激發(fā)熒光斷層重建算法研究[D];山東大學;2018年

2 張曉芳;基于匹配追蹤和深度學習的壓縮感知圖像重建研究[D];中國科學技術(shù)大學;2018年

3 索春琳;OFDM系統(tǒng)中基于正交匹配追蹤的稀疏信道估計算法研究[D];東北大學;2015年

4 閆亞茹;基于壓縮感知原理的Hammerstein模型的辨識[D];青島大學;2018年

5 朱姍姍;壓縮感知廣義正交匹配追蹤算法的研究[D];安徽大學;2015年

6 楊盼;壓縮感知中改進的匹配追蹤類算法研究[D];安徽大學;2016年

7 周東勇;匹配追蹤算法在地震反演中的應用[D];成都理工大學;2014年

8 姚瑤;基于核匹配追蹤的醫(yī)學影像輔助診斷[D];西安電子科技大學;2010年

9 陳俁;基于稀疏表示與匹配追蹤算法的新生兒疼痛表情識別方法[D];南京郵電大學;2013年

10 李真;匹配追蹤方法在結(jié)構(gòu)健康監(jiān)測中的應用研究[D];南京航空航天大學;2009年

本文編號：2854286