论文部分内容阅读
系统辨识是控制研究领域的重要分支,其中非线性系统辨识则一直是国际上相关研究的热点和难点。考虑到,所有物理系统都是某种程度上的非线性系统,用非线性模型来描述非线性系统比用线性模型来近似更贴近真实系统,而模块化非线性模型是已被证明的可以有效描述非线性系统的模型。模块化非线性模型由一个静态的非线性模块和一个动态的线性模块组成,根据非线性模块和线性模块的连接顺序大致可分为Hammerstein系统和Wiener系统。本文以Hammerstein模型为研究对象,首先介绍了已有的HARMAX-LSI和HARMAX-RLS算法并对实例辨识以便进行后续研究,然后提出了三种辨识Hammerstein模型的新方法：非线性递推辅助向量方法(Recursive Instrumental Variable, RIV),输出误差-粒子群算法(Output Error-Particle Swarm Optimization, OE-PSO),极大似然-改进自适应粒子群算法(Maximum Likelihood-Modified Adaptive Particle Swarm Optimization, ML-MAPSO),并验证了其有效性。全文主要工作及贡献如下：[1]提出了非线性系统辨识的辅助向量和递推辅助向量方法,以Hammerstein ARMAX模型为基础进行了实例研究,并在不同的噪信比之下和Hammerstein系统辨识的经典算法HARMAX-RLS进行了对比,辨识结果表明RIV算法不仅有效,而且在有色噪声干扰下的辨识精度和收敛速度都优于HARMAX-RLS算法。[2]提出了一种将PSO算法和输出误差法相结合的非线性Hammerstein系统辨识方法。在不对Hammerstein模型进行变换并辨识多余参数的情况下,通过优化输出误差法产生的目标函数,直接对Hammerstein系统进行辨识。其最大的优点是结构简单,易于实现。在不同的噪信比之下,和HARMAX-RLS算法的对比研究结果,表明了所提出方法的有效性,而且辨识误差较小,辨识后的模型输出与实际的系统输出能够较好地重合。[3]提出了一种基于极大似然原理(ML)和自适应粒子群算法的非线性系统辨识方法,以利用极大似然准则的优越的渐进特性以及自适应粒子群算法的强搜索能力,来提高非线性系统辨识效果。进一步,基于进化状态估计(ESE)和对进化因子和状态转化机制的重新定义,改进了自适应粒子群算法(MAPSO),以增强PSO搜索能力,再与ML有效结合(ML-MAPSO),提高了辨识效果。将ML-MAPSO算法与HARMAX-RLS算法、ML-PSO算法进行了详细的对比研究,结果表明：在不同的噪信比之下,ML-MAPSO算法,不管是在收敛速度,还是最终辨识精度方面,都要优于HARMAX-RLS算法和ML-PSO算法。