非線性hammerstein模型的辨識(shí)【文獻(xiàn)綜述】

1、畢業(yè)設(shè)計(jì)文獻(xiàn)綜述畢業(yè)設(shè)計(jì)文獻(xiàn)綜述電氣工程與自動(dòng)化電氣工程與自動(dòng)化非線性非線性HammersteinHammerstein模型的辨識(shí)模型的辨識(shí)1、非線性非線性Hammerstein模型辨識(shí)的歷史及意義模型辨識(shí)的歷史及意義自從Narendra&Gallman1966年提出了Hammerstein模型后，由于模型結(jié)構(gòu)簡單且能有效地描述常見的非線性動(dòng)態(tài)系統(tǒng)特性，所以許多學(xué)者相繼研究了Hammerstein模型參數(shù)的估計(jì)方法。Hammerstei

2、n模型在很多工程實(shí)踐上都是一個(gè)很有用的面向塊的模型，其中包括控制，信號(hào)處理和通信等等。Hammerstein模型是由一個(gè)無記憶非線性增益環(huán)節(jié)和線性子系統(tǒng)串聯(lián)而成，其連接方式如圖1所示。對(duì)Hammerstein模型的辨識(shí)問題，可以歸結(jié)為線性模塊的動(dòng)態(tài)優(yōu)化問題和非線性模塊的靜態(tài)求根問題，從而結(jié)合線性模型預(yù)測的成熟理論解決此類非線性對(duì)象的控制問題。然而傳統(tǒng)的辨識(shí)方法始終未能很好地解決此類復(fù)雜的非線性對(duì)象的辨識(shí)，因此非線性Hammerstein

3、系統(tǒng)的辨識(shí)一直是當(dāng)今國際辨識(shí)界所關(guān)心的問題。二、二、非線性非線性Hammerstein模型辨識(shí)研究現(xiàn)狀及趨勢模型辨識(shí)研究現(xiàn)狀及趨勢多年來在控制和信號(hào)處理方面Hamerstein模型的辨識(shí)一直是一個(gè)積極地研究領(lǐng)域。已經(jīng)有相當(dāng)數(shù)量的文獻(xiàn)資料對(duì)Hammerstein模型辨識(shí)問題展開了研究，其中對(duì)于Hammerstein模型的辨識(shí)方法大致可以分成五類：第一類采用傳統(tǒng)迭代法，最早由Narendra和Gallman提出，這種方法計(jì)算復(fù)雜，并且此方法

4、不一定收斂；第二類方]1[法由SBillings提出，利用分離原理，將穩(wěn)態(tài)估計(jì)和動(dòng)態(tài)辨識(shí)相結(jié)合，但這種方法需要嚴(yán)格假設(shè)輸入為白噪聲并且以上兩種方法均假設(shè)系統(tǒng)線性部分的階次、時(shí)延為已知；第三類是EBai和IGnez等提出一種基于最小二乘法和特征值分解的辨識(shí)方法]2[]43[無記憶非線性增益線性子系統(tǒng))(ku)(kx)(ky)(ke圖1.Hammerstein模型結(jié)構(gòu)隨著群體智能優(yōu)化算法的蓬勃發(fā)展，Passino于2002年提出了模擬人類大

5、腸桿菌覓食行為的細(xì)菌覓食優(yōu)化算法(Bacte—riaFagingOptimizationAlgithm，BFOA)，為仿生進(jìn)化算法家族增添了新成員。Berg等人的研究成果為BFOA的出現(xiàn)奠定了基礎(chǔ)。BFOA自提出以來，由于它構(gòu)造的直觀性與易理解的自然機(jī)理吸引了不同領(lǐng)域研究者的關(guān)注。為了分別探究BFOA的局部搜索和全局搜索特性，有些研究者將BFOA與其他算法混合，并應(yīng)用在生產(chǎn)實(shí)踐中來證明它的有效性，性能甚至超過許多改進(jìn)的GA和PSO算法。

6、此外，BFOA的數(shù)學(xué)建模、自適應(yīng)性和算法本身的改進(jìn)也正成為該算法研究的主要方向。BFOA自提出到現(xiàn)在不到十年，但是已經(jīng)有很多研究者加入到對(duì)該算法的研究中，主要集中在對(duì)原始算法的改進(jìn)及其應(yīng)用的研究。]12[和PSO算法相比較，BFO算法由于參數(shù)比較多，所以計(jì)算相對(duì)比較復(fù)雜，收斂速度較慢，但是在早熟和調(diào)整性上比PSO算法有較好表現(xiàn)，有良好的魯棒性。三、小結(jié)三、小結(jié)非線性Hammerstein模型辨識(shí)的目的是為了確定模型的關(guān)鍵參數(shù)實(shí)現(xiàn)對(duì)非線性

7、系統(tǒng)的控制和預(yù)測。相關(guān)研究主要方向在于將模型進(jìn)行變量分離成一個(gè)參數(shù)空間，再充分應(yīng)用先進(jìn)的群集智能算法求解參數(shù)的最優(yōu)解。為了滿足不同系統(tǒng)的性能要求，可能會(huì)采用不同演化算法，如為了得到較好的收斂速度可能會(huì)采用PSO算法，同時(shí)若期望比較好的魯棒性，則可能考慮BFO算法，但是總體來說，為了得到一個(gè)綜合的優(yōu)良性能，對(duì)改進(jìn)的混合算法研究探索將會(huì)是今后辨識(shí)算法的一個(gè)極大的發(fā)展空間。四、參考文獻(xiàn)四、參考文獻(xiàn)[1]NarendraGallman.AnIt

8、erativeMethodftheIdentificationofNonlinearSystemsusingaHammersteinModel[J]IEEETransonAutomaticControl19661l(3)：546～550[2]BillingSIdentificationofNonlinearSystemsAsurvey[J].ProcofIEEE1980PartD(127)：272～285[3]BaiE.Anoptima

9、ltwostageidentificationalgithmfHammersteinWienernonlinearsystems[J]Automatica199834(3):333～338[4]Gomezjc，Baeyens.IdentificationofMultivariableHammersteinSystemsusingRationalthonmalBases[C]Procofthe39thIEEEConfonDecisionC