資源描述：
《多變量系統(tǒng)辨識方法比較研究（?。酚蓵T上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、第一章概論模型的遞推最／3、--乘算法(RLS)為e(t)=務(t一1)+P(￡)妒(￡)【秒(￡)一妒T(￡)務(t一1)】，P-1(￡)=P_1(t一1)+so(t)soT(￡)．若在算法中加入遺忘因子，則得到遺忘因子最小二乘法(RFFLS)務(￡)=o(t一1)+P(￡)妒(￡)【可(亡)一妒T(￡)務(￡一1)】，P-1(t)=AP-1(￡一1)+so(t)soT(￡)．算法的跟蹤能力加強，且能克服數(shù)據(jù)飽和現(xiàn)象．考慮受控自回歸滑動平均(CARMA)模型A(z)秒(￡)=B(z)u(t)+D(名)u(t)，則相應的參數(shù)估計方法為遞推增
2、廣最小二乘算法(RELS)I81．考慮動態(tài)調(diào)節(jié)(CARAR)模型，也稱為DA(dynamicadjustment)模型A(z)可(。)=Bz)札(。)+南u(。)，相應的參數(shù)估計方法為遞推廣義最／J、-"乘算法(RGLS)．考慮OE(outputerror)模型，即輸出誤差模型比)=器郵m∽，相應的辨識方法為遞推偏差補償最小二乘算法(RBCLS)．考慮有色噪聲模型，即用有色噪聲e(t)代替噪聲部分的模型A(z)y(t)=B(z)u(t)+e(￡)，相應的辨識方法為遞推輔助變量最／j、--乘算法(IVRLS)．上述各種方針對各自的模型有較好的
3、辨識效果．2．隨機梯度方法它利用最速下降法原理110】，沿著誤差準則函數(shù)關(guān)于參數(shù)模型的負梯度方向，逐步修改模型的參數(shù)估計值，直至模型準則函數(shù)達到最小值．考慮式(1．2．1)所表示的CAR模型，參數(shù)估計的遞推算法務(￡)=臺(亡一1)+工(￡)b(亡)一妒T(￡)臺(￡一1)】，(1．2．2)3江南大學碩士學位論文其中務(￡)為9(t)的估計．根據(jù)隨機逼近原理，工(z)的一種選擇是L(t)=p(t)妒(亡)其中p(t)是收斂因子，且滿足一定的條件【引，下面介紹隨機梯度算法．CAR／ABX模型的隨機梯度辨識算法(SG)為訊)她川)+籍㈣一州咖_
4、1)】，r(t)=r(￡一1)+lI妒(t)112，T(o)=1，其中IIXll2：=tr[XXT】，SG算法的收斂速度很慢Is】，為此，引入一種改進的SG算法，稱之為遺忘因子隨機梯度辨識算法(FFSG)，簡稱遺忘梯度算法(FC)，該算法如下，訊)她¨)+等㈣-qoT(咖_1)】，r(t)=入r(￡一1)+IIqo(t)li2，0<入<1，r(o)=1，遺忘因子可以用來調(diào)節(jié)參數(shù)估計誤差的下降速度和算法跟蹤性能，當A=0時，遺忘梯度算法退化為投影算法．近年來，隨著系統(tǒng)辨識領域研究的不斷深入，辨識方法的研究越加成熟，但就新的辨識思想和方法而言，
5、中國學者丁鋒教授長期從事系統(tǒng)辨識的理論研究和教學工作，做了很大貢獻．他提出和創(chuàng)立了輔助模型辨識思想、遞階辨識原理、多新息辨識理論和估計誤差界理論，建立了研究時變參數(shù)估計誤差界的鞅超收斂定理，進而提出和發(fā)展了一系列輔助模型辨識方法族、遞階辨識方法族、多新息辨識方法族；提出了多率采樣系統(tǒng)的多項式變換技術(shù)和遞階交互估計理論等，并對現(xiàn)存方法和新提出的方法在不同條件下進行了性能分析，形成了一套獨特的理論，豐富和完善了現(xiàn)有的辨識方法體系．這些新的辨識方法思想也將對本文的多變量系統(tǒng)辨識方法的比較研究產(chǎn)生很大的指導作用．接下來，扼要地介紹一下這些成果．1．
6、輔助模型辨識方法輔助模型辨識的核心思想是代替，是丁鋒在1991年提出的，顧名思義，輔助模型辨識思想，就是借助于一個輔助模型，用輔助模型的輸出代替系統(tǒng)的不可測變量的一利t辨識方法，并且通過選擇輔助模型的參變量(參數(shù))，使輔助模型的輸出逼近這些不可測變量，從而獲得系統(tǒng)的一致參數(shù)估計?．輔助模型辨識思想，主要用于解決系統(tǒng)某些變量(如狀態(tài)或輸出)不可測量的辨識問題．起初用來研究多變量系統(tǒng)傳遞函數(shù)陣子子模型的辨識問題．現(xiàn)在，基于輔助模型辨識思想的輔助模型辨識方法已成為一個新的辨識方法族，基于輔助模型辨識思想的辨識理論和方法已經(jīng)形成了一個新的辨識領域，
7、可以用于研究(包括有色噪聲模型干擾下)線性和非線性模型的自適應信號處理、自適應辨識和參數(shù)估計等問題．4第一章概論2．遞階辨識方法遞階辨識原理的概念，是丁鋒1997年給清華大學研究生講授《系統(tǒng)分析理論及應用》時，受大系統(tǒng)遞階控制的分解協(xié)調(diào)原理的啟發(fā)而提出的．對于維數(shù)高、待估計的參數(shù)數(shù)目多的系統(tǒng)，辨識方法的計算量和存儲量急劇增加，以致常規(guī)辨識算法難以實現(xiàn)，這就是所謂的“維數(shù)災”．為解決這個問題，提出計算量小的遞階辨識方法，遞階辨識算法可以用于估計大系統(tǒng)的參數(shù)，具有良好的性能．遞階辨識的基本原理是：(1)將一個系統(tǒng)分解為多個維數(shù)較小、變量較少的子
8、系統(tǒng)(這些子系統(tǒng)可能是虛擬的)；(2)分別辨識每個子系統(tǒng)的參數(shù)向量或參數(shù)矩陣．由于這種分解，使得各子系統(tǒng)間存在關(guān)聯(lián)項，即一個子系統(tǒng)包含了其它一些子系統(tǒng)的未知變量，也就是說，第i個
