Hammerstein模型非線性系統(tǒng)辯識(shí)算法研究.pdf

1、系統(tǒng)辨識(shí)是控制研究領(lǐng)域的重要分支，其中非線性系統(tǒng)辨識(shí)則一直是國(guó)際上相關(guān)研究的熱點(diǎn)和難點(diǎn)?？紤]到，所有物理系統(tǒng)都是某種程度上的非線性系統(tǒng)，用非線性模型來(lái)描述非線性系統(tǒng)比用線性模型來(lái)近似更貼近真實(shí)系統(tǒng)，而模塊化非線性模型是已被證明的可以有效描述非線性系統(tǒng)的模型。模塊化非線性模型由一個(gè)靜態(tài)的非線性模塊和一個(gè)動(dòng)態(tài)的線性模塊組成，根據(jù)非線性模塊和線性模塊的連接順序大致可分為Hammerstein系統(tǒng)和Wiener系統(tǒng)。本文以Hammerstein

2、模型為研究對(duì)象，首先介紹了已有的HARMAX-LSI和HARMAX-RLS算法并對(duì)實(shí)例辨識(shí)以便進(jìn)行后續(xù)研究，然后提出了三種辨識(shí)Hammerstein模型的新方法:非線性遞推輔助向量方法（Recursive Instrumental Variable，RIV），輸出誤差-粒子群算法（Output Error-Particle Swarm Optimization，OE-PSO），極大似然-改進(jìn)自適應(yīng)粒子群算法(Maximum Likeli

3、hood-Modified Adaptive Particle Swarm Optimization，ML-MAPSO)，并驗(yàn)證了其有效性。
　　 全文主要工作及貢獻(xiàn)如下:
　　 [1]提出了非線性系統(tǒng)辨識(shí)的輔助向量和遞推輔助向量方法，以HammersteinARMAX模型為基礎(chǔ)進(jìn)行了實(shí)例研究，并在不同的噪信比之下和Hammerstein系統(tǒng)辨識(shí)的經(jīng)典算法HARMAX-RLS進(jìn)行了對(duì)比，辨識(shí)結(jié)果表明RIV算法不僅有效，而

4、且在有色噪聲干擾下的辨識(shí)精度和收斂速度都優(yōu)于HARMAX-RLS算法。
　　 [2]提出了一種將PSO算法和輸出誤差法相結(jié)合的非線性Hammerstein系統(tǒng)辨識(shí)方法。在不對(duì)Hammerstein模型進(jìn)行變換并辨識(shí)多余參數(shù)的情況下，通過(guò)優(yōu)化輸出誤差法產(chǎn)生的目標(biāo)函數(shù)，直接對(duì)Hammerstein系統(tǒng)進(jìn)行辨識(shí)。其最大的優(yōu)點(diǎn)是結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)。在不同的噪信比之下，和HARMAX-RLS算法的對(duì)比研究結(jié)果，表明了所提出方法的有效性，而

5、且辨識(shí)誤差較小，辨識(shí)后的模型輸出與實(shí)際的系統(tǒng)輸出能夠較好地重合。
　　 [3]提出了一種基于極大似然原理(ML)和自適應(yīng)粒子群算法的非線性系統(tǒng)辨識(shí)方法，以利用極大似然準(zhǔn)則的優(yōu)越的漸進(jìn)特性以及自適應(yīng)粒子群算法的強(qiáng)搜索能力，來(lái)提高非線性系統(tǒng)辨識(shí)效果。進(jìn)一步，基于進(jìn)化狀態(tài)估計(jì)(ESE)和對(duì)進(jìn)化因子和狀態(tài)轉(zhuǎn)化機(jī)制的重新定義，改進(jìn)了自適應(yīng)粒子群算法(MAPSO)，以增強(qiáng)PSO搜索能力，再與ML有效結(jié)合(ML-MAPSO)，提高了辨識(shí)效果。