×

基于梯度的Hammerstein非线性ARMAX模型辨识方法。 (英语) Zbl 1134.93321号

摘要:针对Hammerstein非线性ARMAX模型,即无记忆非线性块之后的线性动态块,开发了两种基于迭代梯度和递归随机梯度的识别算法。其基本思想是利用梯度搜索原理,用估计值替换信息向量中的不可测噪声项,并基于获得的参数估计值迭代或递归计算噪声估计值。递归随机梯度算法的收敛性分析表明,在一定条件下,参数估计误差一致收敛到零。仿真结果表明了所提算法的有效性。

MSC公司:

93B30型 系统标识
93E03型 控制理论中的随机系统(一般)
93C23型 泛函微分方程控制/观测系统
93E25型 随机控制中的计算方法(MSC2010)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Narendra,K.S.和Gallman,P.G.,“使用Hammerstein模型识别非线性系统的迭代方法”,IEEE自动控制汇刊11(3),1966,546–550·doi:10.1109/TAC.1966.1098387
[2] Stoica,P.,“关于用于Hammerstein系统识别的迭代算法的收敛性”,IEEE自动控制汇刊26(4),1981,967–969·doi:10.1109/TAC.1981.1102761
[3] Rangan,S.、Wolodkin,G.和Poolla,K.,“Hammerstein系统的识别方法”,《第34届IEEE决策与控制会议论文集》,路易斯安那州新奥尔良,1995年,第697-702页。
[4] Haist,N.D.、Chang,F.和Luus,R.,“使用Hammerstein模型在相关噪声中进行非线性识别”,IEEE自动控制学报18(5),1973,553–555·doi:10.1109/TAC.1973.1100402
[5] Cerone,V.和Regruto,D.,“输出误差有界的离散Hammerstein模型的参数界”,《IEEE自动控制汇刊》48(10),2003,1855-1860·Zbl 1364.93417号 ·doi:10.1109/TAC.2003.817945
[6] Bai,E.W.,“Hammerstein–Wiener非线性系统的最优两阶段辨识算法”,Automatica 34(3),1998,333–338·Zbl 0915.93018号 ·doi:10.1016/S0005-1098(97)00198-2
[7] Bai,E.W.,“具有已知结构硬输入非线性的线性系统的识别”,Automatica 38(5),2002,853-860·Zbl 1010.93032号 ·doi:10.1016/S0005-1098(01)00281-3
[8] Bai,E.W.,“Hammerstein–Wiener模型识别的盲法”,Automatica 38(6),2002,967–979·Zbl 1012.93018号 ·doi:10.1016/S0005-1098(01)00292-8
[9] Wigren,T.和Nordsjö,A.E.,“RLS算法对输出非线性的补偿”,IEEE自动控制事务44(10),1999,1913-1918·Zbl 0956.93068号 ·数字对象标识代码:10.1109/9.793736
[10] Chang,F.和Luus,R.,“使用Hammerstein模型进行识别的非迭代方法”,《IEEE自动控制汇刊》16(5),1971,464–468·doi:10.1109/TAC.1971.1099787
[11] Nešić,D.和Mareels,i.M.Y.,“简单Hammerstein模型的死床控制”,IEEE自动控制汇刊43(8),1998年,1184–1188·Zbl 0957.93036号 ·doi:10.1109/9.704998
[12] Ding,F.和Chen,T.,“Hammerstein非线性ARMAX系统的识别”,Automatica 41(9),2005,1479-1489·Zbl 1086.93063号 ·doi:10.1016/j.automatica.2005.03.026
[13] Bai,E.W.,“Hammerstein模型识别中线性和非线性部分的解耦”,Automatica 40(4),2004,671-676·Zbl 1168.93328号 ·doi:10.1016/j.automatica.2003.11.007
[14] Pawlak,M.,“关于识别Hammerstein系统的级数展开法”,《IEEE自动控制汇刊》36(6),1991,763-767·doi:10.10109/9.86954
[15] Ninness,B.和Gibson,S.,“量化Hammerstein模型估计的准确性”,Automatica 38(12),2002,2037-2051·Zbl 1023.93067号 ·doi:10.1016/S0005-1098(02)00101-2
[16] Vörös,J.,“包含死区的不连续非线性Hammerstein系统的递归识别”,IEEE自动控制汇刊48(12),2003,2203-2206·Zbl 1364.93172号 ·doi:10.1109/TAC.2003.82146
[17] Gallman,P.G.,“两种Hammerstein模型识别算法的比较”,IEEE自动控制汇刊21(1),1976,124–126·Zbl 0317.93067号 ·doi:10.1109/TAC.1976.1101123
[18] Ljung,L.,《系统识别:用户理论》,第二版。,普伦蒂斯·霍尔,恩格尔伍德悬崖,新泽西州,1999年·Zbl 0949.93509号
[19] Goodwin,G.C.和Sin,K.S.,自适应滤波、预测和控制,Prentice-Hall,Englewood Cliffs,新泽西州,1984年·Zbl 0653.93001号
[20] Ding,F.和Chen,T.,“使用辅助模型对双状态系统的组合参数和输出估计”,Automatica 40(10),2004,1739-1748·Zbl 1162.93376号 ·doi:10.1016/j.automatica.2004.05.001
[21] Ding,F.和Chen,T.,“基于层次梯度的多变量离散时间系统识别”,Automatica 41(2),2005,315–325·Zbl 1086.93063号 ·doi:10.1016/j.automatica.2005.03.026
[22] Ding,F.、Shi,Y.和Chen,T.,“非平稳ARMA过程估计算法的性能分析”,《IEEE信号处理汇刊》,出版社·Zbl 1373.94569号
[23] Lai,T.L.和Wei,C.Z.,“扩展最小二乘法及其在线性系统自适应控制和预测中的应用”,IEEE自动控制汇刊31(10),1986,898-906·Zbl 0603.93060号 ·doi:10.1109/TAC.1986.1104138
[24] Guo,L.和Chen,H.F.,“重新访问的{奥}ström–Wittenmark自校正调节器和基于ELS的自适应跟踪器”,IEEE自动控制学报36(7),1991,802-812·Zbl 0752.93074号 ·数字对象标识代码:10.1109/9.85060
[25] Ren,W.和Kumar,P.K.,“随机自适应预测和模型参考控制”,IEEE自动控制汇刊39(10),1994,2047–2060·Zbl 0827.93071号 ·数字对象标识代码:10.1109/9.328821
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。