基于辅助模型递推最小二乘算法的Hammerstein模型辨识.docxVIP

基于辅助模型递推最小二乘算法的Hammerstein模型辨识 第 PAGE \* Arabic \* MERGEFORMAT 14 页 基于辅助模型递推最小二乘算法的Hammerstein模型辨识 1 Hammerstein神经模糊模型 图1 噪声干扰下Hammerstein模型结构图 考虑噪声干扰下Hammerstein系统，其结构模型如图1所示。该系统由静态（无记忆）非线性模块和动态线性模块级联构成。 （1.1） 其中，、分别表示模型在时刻的输入和输出向量，为不可测中间变量，表示线性环节的传递函数，表示噪声环节传递函数，、、分别为、和的矩阵多项式，且为后移算子，满足。、、表示与模型阶数相关的参数，是与输入信号独立的白噪声。为单位矩阵。静态非线性函数，其中。 对于任意给定的，建立Hammerstein神经模糊模型就是要寻求满足如下条件的参数 （1.3） 本文采用神经模糊系统（NFM）拟合静态非线性模块，即： （1.2） 其中，表示静态非线性模块的估计量，，且为高斯隶属度函数。表示高斯型隶属度函数的中心，表示高斯型隶属度函数的宽度，为模糊规则后件参数。 2 基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识方法 采用多信号源实现Hammerstein模型的可辨识性和参数估计分离问题。该信号源由、两种信号构成：表示幅值为0或的二进制信号、表示随机信号，与此对应的非线性模块的输出分别为、，Hammerstein系统的输出为、。 2.1 动态线性模块模型参数辨识 根据文献1中关于当系统输入为可分离信号时，静态非线性环节具有不变的特性，从而实现将含噪声的Hammerstein模型各串联环节的辨识问题可以分离进行，进而可以采用经典的线性系统辨识算法估计线性模型的参数。本节将采用二进制信号作为输入激励信号，利用相关分析法估计ARX模型的参数。 含有色噪声的Hammerstein模型动态线性环节可以描述为： （2.1） 将式（2.1）整理有 （2.2） 即 （2.3） 将式（2.3）左右两边同时乘以，并取数学期望有： （2.4） 由于和是不相关的，所以有、。同时根据文献[1]中定理：对Hammerstein模型如果输入信号是相互独立的可分离信号，那么存在矩阵使得关系成立。所以（2.4）式可以等价为： （2.5） 其中，。因此对式子（2.5）采用相关分析法辨识动态线性环节参数。设，可以得到： （2.6） 其中，是要估计的模型参数，且 在本文中， 2.2 静态非线性环节和噪声环节参数辨识 将作为输入激励信号，由式（1.2）可知 （2.7） 进而可以得到 （2.6） 其中 因为信息向量中含有不可测变量，所以借助辅助模型辨识思想，定义和分别为时刻辅助模型的信息向量和参数向量。 其中 设为辅助模型信息向量的估计值，为辅助模型参数向量的估计值。 在时刻，是已知的，因此极小化准则函数 （2.7） 可以得到静态非线性模块和噪声模块参数的估计值 辨识出后，再结合2.1节中辨识出线性环节参数，即可求出非线性环节参数和噪声环节参数。  3 仿真实例 （1）考虑单输入单输出Hammerstein过程[1] 其中是与输入信号独立的均值为0、方差为的白噪声序列。 定义噪信比，系统时刻线性系统估计偏差。 首先，产生如图3.1所示的组合式信号源及对应的系统输出，该信号源包括：1）幅值为0或3.5的二级制信号；2）在区间[0 5]上均匀分布的随机多步信号 图3.1 特殊信号源 由二进制输入信号及其对应系统数据分离辨识Hammerstein模型的动态线性环节。表3.1、3.2和3.3分别给出了不同噪信比情况下，本文提出的算法和RLS算法相比较得到的辨识结果的对比。其中是修正因子。且 表3.1 线性环节辨识结果 （） K 本文提出的方法 RLS算法 1000 -0.8062 0.3922 0.01157 -0.7967 0.4002 0.0037 3000 -0.8003 0.3975 0.00282 -0.7941 0.4048 0.0085 5000 -0.8026 0.3972 0.