双率采样Hammerstein CAR系统的辨识方法

摘要

阐述了选题的目的和意义，概述了经典系统辨识方法的研究状况、模块化非线性系统辨识方法的研究状况、双率/多率系统辨识方法的研究状况。本文研究双率采样Hammerstein CAR系统的参数辨识方法，通过多项式变换技术和不同的模型转换技术，得到双率采样Hammerstein CAR系统的两类辨识模型:双率双线性辨识模型和双率（单）线性辨识模型，然后提出基于两类辨识模型的最小二乘辨识算法、随机梯度辨识算法、遗忘因子随机梯度辨识算法、多新息随机梯度辨识算法。
　　 1.提出双率采样Hammerstein CAR模型的基于递阶辨识原理的最小二乘辨识方法。将双率采样Hammerstein CAR模型通过多项式变换和模型转换变换为双率双线性辨识模型，从而提出基于递阶辨识原理的双率采样Hammerstein CAR模型的最小二乘辨识算法，以交互估计辨识模型中每一个参数向量。最后通过仿真例子验证了算法的有效性。
　　 2.提出双率采样Hammerstein CAR模型的基于关键变量分离原理的最小二乘辨识方法。将双率采样Hammerstein CAR模型通过多项式变换和采用关键变量分离原理将模型变换为双率（单）线性辨识模型，从而提出基于关键变量分离原理的双率采样Hammerstein CAR模型的最小二乘辨识算法。最后通过仿真例子验证了算法的有效性。
　　 3.提出双率采样Hammerstein CAR模型的基于关键变量分离原理的随机梯度辨识算法、遗忘因子随机梯度辨识算法、多新息随机梯度辨识算法。针对最小二乘算法计算量大的缺点，将双率采样Hammerstein CAR模型通过多项式变换和采用关键变量分离原理将模型变换为双率（单）线性辨识模型，提出基于关键变量分离原理的双率采样Hammerstein CAR模型的随机梯度辨识算法，降低了计算量;进一步提出遗忘因子随机梯度辨识算法和多新息随机梯度辨识算法，来改善随机梯度辨识算法收敛速度慢的缺点。并通过仿真例子验证算法的有效性。

目录

摘要

第一章 绪论

1．1 问题的提出与研究意义

1．2 系统辨识概述

1．2．1 经典辨识方法介绍

1．2．2 模块化非线性系统辨识方法概述

1．2．3 双率／多率系统辨识方法概述

1．3 本文内容安排

第二章 双率采样Hammerstein CAR模型的最小二乘辨识方法

2．1 双率采样Hammerstein模型的描述

2．2 基于递阶辨识原理的最小二乘法

2．3 基于关键变量分离原理的最小二乘法

2．4 仿真实验

2．5 小结

第三章 Hammerstein模型的随机梯度辨识方法

3．1 随机梯度算法

3．2 多新息随机梯度算法

3．3 仿真实验

3．4 小结

第四章 结论与展望

参考文献

攻读学位期间的研究成果

致谢

声明