论文部分内容阅读
作为传统线性系统辨识方法的一个有益补充，子空间模型辨识方法(SMI)近年来获得了广泛关注。这类方法综合了系统理论，线性代数和统计学三方面的思想，其特点是直接利用输入输出数据辨识系统的状态空间模型，因而非常适合多变量系统辨识。子空间辨识算法的基本性研究已经比较成熟，基于子空间基本算法的拓展研究也有了一定的发展，例如在线递推子空间辨识算法、闭环子空间辨识算法等。 虽然对于子空间辨识算法的研究已经有了长足的发展，但是，子空间辨识基本算法本身也有一些局限性与不足，例如子空间基本辨识算法是基于白噪声环境的，然而在现实中却多为有色噪声的环境。有色噪声会导致系统辨识精度大大降低。因此，本课题将对有色噪声环境下的子空间辨识算法进行研究，对子空间辨识算法进行改进。 针对有色噪声环境下的子空间辨识算法，本课题提出了三种有效的解决方法。第一种方法是引入数据滤波策略，对被有色噪声影响的数据进行均值滤波、中值滤波，改进后的子空间方法可以有效抑制有色噪声对数据的影响，进而提高子空间辨识算法在有色噪声环境下的辨识精度。第二种方法是利用有色噪声与白噪声的关系，提出一种基于模型转换的子空间辨识算法。首先对有色噪声与白噪声的关系模型进行估计，然后将有色噪声模型转换为白噪声形式，便可以把有色噪声环境下的子空间辨识转换为白噪声环境下的子空间辨识。最后是利用偏最小二乘法对子空间辨识算法进行改进，由于偏最小二乘法本身就对噪声有一定的抑制作用，利用偏最小二乘对数据进行降维与线性回归，可以有效降低有色噪声的影响，改进后的算法对有色噪声干扰有一定的抑制作用。