多新息加权矩阵系统辨识遗忘因子硕士论文.docVIP

基于加权多新息方法的系统辨识 【摘要】 多新息辨识方法与传统的最小二乘、随机梯度类算法等采用单新息修正的辨识方法相比,具有更好的收敛性能以及克服坏数据的能力,因此对它的研究具有重要的理论意义以及应用价值。本论文在多新息辨识方法的基础上,通过引入加权矩阵提出加权多新息辨识方法,并取得了以下的研究成果。一、论文首先针对受控AR模型 CAR模型 推导出分别基于投影法以及随机梯度法的加权多新息算法,并利用仿真例子说明了通过选择合适的加权矩阵,加权多新息辨识方法比普通的多新息算法在相同新息长度下具有更快的收敛速度以及参数估计精度,最后简要探讨了加权矩阵对于参数估计效果的影响。二、对于时变系统的参数估计,提出了带有遗忘因子的加权多新息算法,并通过仿真结果证实了算法的有效性。三、针对存在有色噪声干扰的受控自回归滑动平均模型 CARMA模型 ,提出了加权多新息增广随机梯度算法,并用仿真例子说明了与普通多新息增广随机梯度算法相比的优越性。四、进一步将加权多新息算法推广到更为复杂的动态调节模型 DA模型 ,提出了加权多新息广义随机梯度算法,给出了参数估计的计算步骤并用仿真对算法辨识效果加以验证。论文最后对于加权多新息算法在应用中面临的困难进行了...?更多还原 【Abstract】 Compared with some existing identification methods such as traditional leastsquares, stochastic gradient algorithm that uses the single-innovation modificationtechnology , the multi-innovation identification method possesses betterconvergent performance. Therefore, it is theoretically and practically important toinvestigate such a kind of identification method. The main results of this thesis areas follows.1. By introducing a weighting matrix into the multi-innovation identificationmethod, this ...?更多还原 【关键词】 多新息； 加权矩阵； 系统辨识； 遗忘因子； 【Key words】 multi-innovation identification method； system identification； weighting matrix； forgetting factor； 摘要 4-5 Abstract 5-6 第1章 绪论 9-14 1.1 课题背景和研究意义 9-10 1.2 系统辨识方法综述 10-12 1.3 课题研究内容 12-14 第2章 系统辨识模型以及加权多新息算法 14-31 2.1 离散时间随机系统模型 14-15 2.2 基于投影法的加权多新息算法 15-23 2.2.1 算法推导 16-17 2.2.2 算法仿真 17-23 2.3 基于随机梯度法的加权多新息算法 23-26 2.3.1 算法提出 23-24 2.3.2 算法仿真 24-26 2.4 加权多新息遗忘梯度算法 26-30 2.4.1 算法提出 26-27 2.4.2 算法仿真 27-30 2.5 本章小结 30-31 第3章 加权多新息方法在CARMA 模型上的应用 31-41 3.1 增广随机梯度算法 31-32 3.2 加权多新息增广随机梯度算法 32-33 3.3 算法仿真 33-40 3.4 本章小结 40-41 第4章 加权多新息方法在DA 模型上的应用 41-47 4.1 广义随机梯度法 41-42 4.2 加权多新息广义随机梯度法 42-44 4.3 算法仿真 44-45 4.4 本章小结 45-47 结论 47-48 参考文献 【索购全文】Q联系Q：1座机电话号码 10座机电话号码 全文提供服务费：25元RMB 即付即发 支付宝账号：xinhua59168@ 【】学术文献总库