Hammerstein OEMA模型辨识方法研究

【摘要】： 介绍了非线性系统辨识的研究意义与目的,概述了模块化非线性系统模型辨识方法的国内外研究现状。针对有色噪声干扰的含不同非线性环节的Hammerstein OEMA(Output Error Moving Average:输出误差滑动平均)模型,提出HammersteinOEMA模型的递推增广最小二乘辨识算法、多新息增广最小二乘辨识算法、多新息遗忘因子随机梯度辨识算法和基于数据预滤波技术的递推最小二乘辨识算法。通过仿真例子验证了提出算法的有效性。 将关键变量分离原理和辅助模型思想相结合,提出Hammerstein OEMA模型的递推增广最小二乘算法。该方法能获得系统参数估计和噪声参数估计,且能实现在线辨识。 将关键变量分离原理和辅助模型思想相结合,得到单新息递推增广最小二乘辨识算法。在此基础上,扩展标量新息为向量新息,提出Hammerstein OEMA模型的多新息增广最小二乘辨识算法和多新息遗忘因子随机梯度辨识算法。多新息方法的优点是重复多次利用输入输出数据,克服了不良数据对参数估计的影响,提高了参数估计的精度,同时加快了算法的收敛速度。 利用一个线性滤波模型对系统的输入输出数据和中间变量进行滤波和变量代替,得到两个辨识模型,一个只包括系统模型参数,另一个只包括噪声模型参数。再结合关键变量分离原理和辅助模型思想,得到基于数据预滤波的Hammerstein OEMA模型的递推最小二乘法。该方法的优点是减少了协方差矩阵的维数,具有较高的计算效率。