發(fā)布時間：2020-11-07 14:16

　　 系統(tǒng)辨識是控制研究領(lǐng)域的重要分支,其中非線性系統(tǒng)辨識則一直是國際上相關(guān)研究的熱點(diǎn)和難點(diǎn)�？紤]到,所有物理系統(tǒng)都是某種程度上的非線性系統(tǒng),用非線性模型來描述非線性系統(tǒng)比用線性模型來近似更貼近真實(shí)系統(tǒng),而模塊化非線性模型是已被證明的可以有效描述非線性系統(tǒng)的模型。模塊化非線性模型由一個靜態(tài)的非線性模塊和一個動態(tài)的線性模塊組成,根據(jù)非線性模塊和線性模塊的連接順序大致可分為Hammerstein系統(tǒng)和Wiener系統(tǒng)。本文以Hammerstein模型為研究對象,首先介紹了已有的HARMAX-LSI和HARMAX-RLS算法并對實(shí)例辨識以便進(jìn)行后續(xù)研究,然后提出了三種辨識Hammerstein模型的新方法：非線性遞推輔助向量方法(Recursive Instrumental Variable, RIV),輸出誤差-粒子群算法(Output Error-Particle Swarm Optimization, OE-PSO),極大似然-改進(jìn)自適應(yīng)粒子群算法(Maximum Likelihood-Modified Adaptive Particle Swarm Optimization, ML-MAPSO),并驗(yàn)證了其有效性。 全文主要工作及貢獻(xiàn)如下： [1]提出了非線性系統(tǒng)辨識的輔助向量和遞推輔助向量方法,以Hammerstein ARMAX模型為基礎(chǔ)進(jìn)行了實(shí)例研究,并在不同的噪信比之下和Hammerstein系統(tǒng)辨識的經(jīng)典算法HARMAX-RLS進(jìn)行了對比,辨識結(jié)果表明RIV算法不僅有效,而且在有色噪聲干擾下的辨識精度和收斂速度都優(yōu)于HARMAX-RLS算法。 [2]提出了一種將PSO算法和輸出誤差法相結(jié)合的非線性Hammerstein系統(tǒng)辨識方法。在不對Hammerstein模型進(jìn)行變換并辨識多余參數(shù)的情況下,通過優(yōu)化輸出誤差法產(chǎn)生的目標(biāo)函數(shù),直接對Hammerstein系統(tǒng)進(jìn)行辨識。其最大的優(yōu)點(diǎn)是結(jié)構(gòu)簡單,易于實(shí)現(xiàn)。在不同的噪信比之下,和HARMAX-RLS算法的對比研究結(jié)果,表明了所提出方法的有效性,而且辨識誤差較小,辨識后的模型輸出與實(shí)際的系統(tǒng)輸出能夠較好地重合。 [3]提出了一種基于極大似然原理(ML)和自適應(yīng)粒子群算法的非線性系統(tǒng)辨識方法,以利用極大似然準(zhǔn)則的優(yōu)越的漸進(jìn)特性以及自適應(yīng)粒子群算法的強(qiáng)搜索能力,來提高非線性系統(tǒng)辨識效果。進(jìn)一步,基于進(jìn)化狀態(tài)估計(ESE)和對進(jìn)化因子和狀態(tài)轉(zhuǎn)化機(jī)制的重新定義,改進(jìn)了自適應(yīng)粒子群算法(MAPSO),以增強(qiáng)PSO搜索能力,再與ML有效結(jié)合(ML-MAPSO),提高了辨識效果。將ML-MAPSO算法與HARMAX-RLS算法、ML-PSO算法進(jìn)行了詳細(xì)的對比研究,結(jié)果表明：在不同的噪信比之下,ML-MAPSO算法,不管是在收斂速度,還是最終辨識精度方面,都要優(yōu)于HARMAX-RLS算法和ML-PSO算法。
【學(xué)位單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2013
【中圖分類】：N945.14
【文章目錄】：
致謝
摘要
Abstract
1. 緒論
    1.1 引言
    1.2 非線性系統(tǒng)辨識發(fā)展現(xiàn)狀
        1.2.1 參數(shù)化辨識方法
        1.2.2 非參數(shù)化辨識方法
        1.2.3 Hammerstein模型及其辨識算法
    1.3 本文結(jié)構(gòu)與安排
2. 基于RIV算法的Hammerstein系統(tǒng)辨識研究
    2.1 HammersteinARMAX模型介紹
        2.1.1 HARMAX-LSI算法
        2.1.2 HARMAX-RLS算法
    2.2 輔助變量法在非線性辨識中的應(yīng)用
        2.2.1. 輔助變量法（IV）介紹
        2.2.2. 輔助變量的選擇
    2.3 遞推輔助變量法（RIV）與非線性辨識相結(jié)合
    2.4 小結(jié)與討論
3. 基于OE-PSO算法的Hammerstein系統(tǒng)辨識研究
    3.1. PSO算法
    3.2. PSO結(jié)合輸出誤差法在非線性辨識中的應(yīng)用
    3.3. 小結(jié)與討論
MAPSO算法的Hammerstein辨識研究'>4. 基于ML_MAPSO算法的Hammerstein辨識研究
    4.1. 極大似然準(zhǔn)則在非線性辨識中的應(yīng)用
        4.1.1 極大似然原理
        4.1.2 Hammerstein模型的極大似然估計
    4.2. 改進(jìn)的自適應(yīng)粒子群算法（MAPSO）
MAPSO算法辨識Hammerstein模型'>    4.3. 利用ML_MAPSO算法辨識Hammerstein模型
MAPSO算法辨識結(jié)果分析'>    4.4. ML_MAPSO算法辨識結(jié)果分析
    4.5. 小結(jié)與討論
5. 總結(jié)與展望
    5.1. 全文總結(jié)
    5.2. 研究展望
參考文獻(xiàn)
作者攻讀碩士期間的主要成果

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 朱全民;非線性系統(tǒng)辨識[J];控制理論與應(yīng)用;1994年06期

2 傅志方;周炎;;非線性結(jié)構(gòu)系統(tǒng)的模態(tài)分析、建模及參數(shù)辨識—研究綜述[J];振動與沖擊;1992年Z1期

3 李秀英,韓志剛;非線性系統(tǒng)辨識方法的新進(jìn)展[J];自動化技術(shù)與應(yīng)用;2004年10期

本文編號：2874059