论文部分内容阅读
输入非线性系统由一个静态无记忆的非线性模块串联一个动态线性系统构成,通过构建不同形式的非线性模块可以满足不同工程的需要,也正因为其结构的灵活性和实用性,受到人们广泛的关注.输入非线性系统存在未知参数的乘积项,常用的过参数化算法会引入大量冗余参数,不适用于多变量输入非线性系统的参数辨识.在这样的背景下,论文选题“基于关键项分离的输入非线性系统参数辨识”,具有重要的理论意义和研究价值.取得的研究成果如下.1.针对标量输入非线性系统的参数空间存在两个参数集的乘积项,而常用的过参数化算法将参数乘积项作为独立待辨识参数进行辨识,从而导致一个可产生冗余参数估计的问题,论文采用关键项分离技术,将系统的输入输出之间复杂的映射关系分解成两部分,一种是直观的外部映射关系,另一种是隐含但明确的内部映射关系,从而得到一个无冗余参数的辨识模型.进一步,将提出的方法推广到多变量输入非线性系统.2.针对输入非线性系统的辨识模型中包含未知的关键项、噪声项和中间项导致辨识参数困难,采取辅助模型辨识思想,在实现辨识算法的过程中,将信息向量中的未知项用其估计值代替,并利用相应的辨识算法得到参数估计,然后利用得到的参数估计估算未知项的估计,不断循环得到满意的辨识结果.3.针对多变量输入非线性系统存在结构复杂、参数空间维数高、各通道间存在耦合等特点导致递推算法辨识效率低下的问题,利用模型分解的方法,将系统分解为两个或多个子系统,并结合递阶辨识理论,实现子系统参数之间的交互估计,最后将递推辨识算法推广到多变量输入非线性系统.4.在上述基础上,根据最小二乘原理和梯度搜索方法,推导了多变量输入非线性系统的最小二乘迭代算法和梯度迭代算法.不同于递推辨识算法,迭代算法利用采集到的一组输入输出数据,进行反复迭代运算,更充分地利用了数据,因而具有更快的收敛速度和更高的辨识精度.论文最后对提出的参数辨识算法都用计算机进行仿真,验证其有效性,并对不同的参数辨识算法进行了比较分析.