Hammerstein OEMA模型辨識方法研究.pdf

1、介紹了非線性系統(tǒng)辨識的研究意義與目的，概述了模塊化非線性系統(tǒng)模型辨識方法的國內(nèi)外研究現(xiàn)狀。針對有色噪聲干擾的含不同非線性環(huán)節(jié)的HammersteinOEMA(Output Error Moving Average:輸出誤差滑動平均)模型，提出HammersteinOEMA模型的遞推增廣最小二乘辨識算法、多新息增廣最小二乘辨識算法、多新息遺忘因子隨機(jī)梯度辨識算法和基于數(shù)據(jù)預(yù)濾波技術(shù)的遞推最小二乘辨識算法。通過仿真例子驗(yàn)證了提出算法的有效性

2、。
　　 將關(guān)鍵變量分離原理和輔助模型思想相結(jié)合，提出Hammerstein OEMA模型的遞推增廣最小二乘算法。該方法能獲得系統(tǒng)參數(shù)估計(jì)和噪聲參數(shù)估計(jì)，且能實(shí)現(xiàn)在線辨識。
　　 將關(guān)鍵變量分離原理和輔助模型思想相結(jié)合，得到單新息遞推增廣最小二乘辨識算法。在此基礎(chǔ)上，擴(kuò)展標(biāo)量新息為向量新息，提出Hanmerstein OEMA模型的多新息增廣最小二乘辨識算法和多新息遺忘因子隨機(jī)梯度辨識算法。多新息方法的優(yōu)點(diǎn)是重復(fù)多次利用