存在时延或数据缺失的Hammerstein系统辨识方法研究

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

    相关论文文献

    • [1].径向基神经网络在地铁沉降预测当中的应用[J]. 科技资讯 2017(20)
    • [2].基于改进径向基神经网络的推力补偿算法[J]. 电子工业专用设备 2020(04)
    • [3].基于模糊径向基神经网络的失眠古文献症药研究[J]. 中国医药科学 2017(23)
    • [4].基于径向基神经网络的交通出行预测[J]. 兰州交通大学学报 2018(02)
    • [5].基于粒子群优化算法的径向基神经网络[J]. 榆林学院学报 2018(04)
    • [6].共识径向基神经网络应用于近红外光谱法测定三七中总黄酮[J]. 理化检验(化学分册) 2016(06)
    • [7].基于径向基神经网络的人民币汇率预测[J]. 电脑开发与应用 2009(03)
    • [8].基于径向基神经网络的数字馆藏质量评价研究[J]. 情报理论与实践 2009(05)
    • [9].径向基神经网络的汇率预测模型研究[J]. 计算机工程与应用 2009(24)
    • [10].基于改进粒子群-径向基神经网络模型的短期电力负荷预测[J]. 电网技术 2009(17)
    • [11].基于径向基神经网络的侦察目标意图识别研究[J]. 舰船电子工程 2018(10)
    • [12].基于径向基神经网络农机数量预测的研究[J]. 中国农机化学报 2013(02)
    • [13].影响径向基神经网络分类性能的因素[J]. 吉林大学学报(信息科学版) 2009(02)
    • [14].灰色径向基神经网络技术在水文预报中的应用[J]. 东北水利水电 2016(03)
    • [15].基于径向基神经网络模型的耐压壳6σ设计[J]. 上海交通大学学报 2014(04)
    • [16].基于径向基神经网络的水饱和含氧量的数据拟合[J]. 河南教育学院学报(自然科学版) 2011(03)
    • [17].基于小波包变换和径向基神经网络技术的汽车后桥总成故障诊断研究[J]. 机械 2010(10)
    • [18].基于多尺度分割和径向基神经网络的极化SAR影像分类[J]. 测绘与空间地理信息 2019(01)
    • [19].基于径向基神经网络的污水管网堵塞诊断方法[J]. 天津科技大学学报 2019(04)
    • [20].基于径向基神经网络的机械加工自适应参数研究[J]. 现代工业经济和信息化 2017(14)
    • [21].基于多元二次径向基神经网络的偏微分求解方法[J]. 数学的实践与认识 2014(07)
    • [22].基于径向基神经网络的设备运行状态新信息加权预测模型研究[J]. 制造业自动化 2011(07)
    • [23].基于径向基神经网络的速度滤波器[J]. 计算机工程与设计 2008(04)
    • [24].记忆径向基神经网络在冷轧液压自动位置系统的优化控制[J]. 计量学报 2016(01)
    • [25].基于改进的粒子群径向基神经网络的目标识别[J]. 计算机应用 2018(S1)
    • [26].神经网络方法在医学统计预测中的应用[J]. 南京中医药大学学报(社会科学版) 2017(01)
    • [27].基于径向基神经网络的数控加工自适应加工系统研究[J]. 数字技术与应用 2017(04)
    • [28].径向基神经网络的联合作战方案评估仿真[J]. 火力与指挥控制 2013(01)
    • [29].基于径向基神经网络改进算法优化锅炉燃烧效率[J]. 计算机应用 2013(06)
    • [30].基于径向基神经网络的有限元模型修正研究[J]. 武汉科技大学学报 2011(02)

    标签:;  ;  ;  ;  ;  

    存在时延或数据缺失的Hammerstein系统辨识方法研究
    下载Doc文档

    猜你喜欢