论文部分内容阅读
实际复杂的工业控制系统,往往不能通过已知的数学、物理等定理,推导出机理模型。针对于这类系统应采用数据建模法,即系统辨识的方法建立系统模型。系统辨识技术在信号处理、故障检测与诊断和自适应控制等领域已经得到越来越广泛的应用。由于一些具有强非线性特性的系统,不能在工作点附近近似线性化表示,所以不能应用成熟的线性辨识方法进行简化处理,因此研究适用于非线性系统的辨识方法有着重要的现实意义。目前,一类非线性块状结构成为非线性系统辨识研究的热点,其中Hammerstein-Wiener型非线性系统能够有效地描述相当广泛的具有非线性特性的实际工业过程。因此,论文选取Hammerstein-Wiener型非线性系统为研究对象,进行辨识算法的研究。本文主要工作归纳如下:(1)针对于单变量Hammerstein-Wiener型非线性系统,引入辅助模型思想解决辨识模型中包含不可测变量的问题,然后采用相比于其他算法具有较少计算量的递阶最小二乘递推算法,进行系统参数的辨识。(2)针对上述方法存在只能辨识输出非线性环节具有可逆性的Hammerstein-Wiener系统的局限性,设计了单输入单输出Hammerstein-Wiener神经网络结构,将系统参数的辨识问题转化为网络权值的调整问题,并采用动量最速下降法训练网络。这样处理同时能避免辅助模型思想(采用估计值代替中间不可测变量)可能造成辨识精度降低的缺陷。(3)针对参数数目更多,结构更为复杂的多变量Hammerstein-Wiener型非线性系统。先分别采用递阶最小二乘算法和动量最速下降法,辨识只有线性动态环节具有耦合情况的MIMO Hammerstein-Wiener系统参数;然后采用动量最速下降法辨识输入非线性环节与线性环节同时存在耦合情况的MIMO Hammerstein-Wiener型非线性系统参数。(4)计算机仿真验证了所提算法的收敛性、有效性与准确性。