存在时延或数据缺失的Hammerstein系统辨识方法研究

论文摘要

模块化Hammerstein系统是由非线性静态模块和线性动态模块串联组合构成,由于可以灵活选择非线性模块和线性模块的表达形式,模块化Hammerstein系统具有形式简单和应用广泛的特点。针对存在时延或数据缺失的非线性动态工业过程,本文采用Hammerstein模型建模,提出了用于新型Hammerstein-QD时滞非线性系统参数估计的递推最小二乘算法,和存在缺失数据Hammerstein系统的基于辅助模型的期望最大化算法。本文具体研究内容如下:（1）按照线性模块的不同,给出了Hammerstein非线性模型的分类,对本文研究中所涉及到的最小二乘算法、径向基神经网络、期望最大化算法以及辅助模型辨识思想进行了详细的论述,为后续辨识工作做了铺垫。（2）针对带有时间延迟的非线性工业过程,本文采用一种新型的Hammerstein-QD模型进行建模,其中的非线性模块由含有时延的径向基神经网络构建。进一步,提出递推最小二乘算法估计系统中的未知参数。仿真结果证明,本文针对非线性时延系统提出的辨识建模方法是有效的。（3）针对输出数据存在缺失的Hammerstein非线性系统,将Hammerstein系统重塑为双线性辨识系统,提出基于辅助模型的期望最大化算法,交替迭代估计系统中的多个参数向量,避免了传统期望最大化算法需要将待辨识模型转化为只含一个参数向量的自回归辨识模型的限制,在辨识中,这种自回归辨识模型形式的参数化通常是比较难以实现的。仿真验证表明本文所提出的新型期望最大化算法是切实有效的。

论文目录

• 摘要
• abstract
• 第一章 绪论
•   1.1 系统辨识
•     1.1.1 辨识的步骤
•     1.1.2 Hammerstein系统
•   1.2 系统存在时间延迟的情况
•   1.3 系统输出数据存在缺失的情况
•   1.4 本文主要内容及安排
• 第二章 Hammerstein模型辨识方法概述
•   2.1 Hammerstein模型
•   2.2 最小二乘算法
•     2.2.1 一次完成的最小二乘算法
•     2.2.2 递推最小二乘算法
•   2.3 神经网络
•     2.3.1 径向基神经网络
•     2.3.2 径向基函数
•     2.3.3 径向基神经网络的学习方法
•   2.4 极大似然估计法
•     2.4.1 期望最大化算法
•     2.4.2 期望最大化算法的具体步骤
•   2.5 辅助模型
•   2.6 本章小结
• 第三章 存在时间延迟的Hammerstein系统的辨识
•   3.1 Hammerstein CAR模型
•   3.2 Hammerstein-QD模型
•   3.3 径向基神经网络
•   3.4 算法推导
•   3.5 仿真实例分析
•   3.6 本章小结
• 第四章 输出数据存在缺失的Hammerstein系统的辨识
•   4.1 Hammerstein CAR模型
•   4.2 基于辅助模型的EM算法
•     4.2.1 E步
•     4.2.2 M步
•   4.3 仿真实例分析
•   4.4 本章小结
• 第五章 结论与展望
• 参考文献
• 攻读学位期间的研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 张硕

导师: 王冬青

关键词: 系统,时间延迟,数据缺失,径向基神经网络,期望最大化算法

来源: 青岛大学

年度: 2019

分类: 基础科学

专业: 非线性科学与系统科学

单位: 青岛大学

分类号: N945.14

DOI: 10.27262/d.cnki.gqdau.2019.001072

总页数: 57

文件大小: 1829K

下载量: 44