论文部分内容阅读
现代工业系统的控制变量受频率特性、设备传感器特性等物理、机械因素的限制以及控制品质的要求,数据采集器必须采用不同的采样频率,导致双率或多率采样数据系统。双率和多率采样系统完全不同于传统的等周期采样离散时间系统,传统辨识方法也无法应用于这类双率和多率采样系统。论文选题“双率采样数据系统辨识方法的研究”具有理论意义和学术价值。论文对该课题进行了深入研究,取得的成果如下。1.针对一类存在损失数据的自回归时间序列模型,由于传统辨识算法无法直接应用到这类时间序列模型,采用多项式变换技术,将模型转换成一个不涉及损失观测数据的新模型,提出了损失数据自回归模型的最小二乘辨识算法,并分析了算法的收敛性能。进一步将结果推广到存在损失数据的自回归滑动平均时间序列模型。仿真结果验证了提出算法的有效性。2.针对双率采样方程误差系统,系统输入在每个采样时刻都可得到,而可测量的系统输出很少,传统辨识算法无法直接辨识这类系统。采用多项式变换技术,提出了双率采样系统的递推增广最小二乘辨识算法。由于最小二乘算法需要计算协方差矩阵,计算量较大,而随机梯度算法计算量小,但收敛速度慢,本文提出了带收敛因子的随机梯度算法,加快了梯度辨识算法的收敛速度,并分析了算法的收敛性能,给出了仿真结果。3.针对进行多项式变换技术后,得到的双率辨识模型参数数目大大增加,从而导致辨识计算量大的问题,本文采用递阶辨识原理,即将系统模型分解成若干个维数小、参数数目少的子系统,提出了递阶最小二乘辨识算法。与最小二乘算法相比,提出的递阶辨识算法具有较小的计算量。理论分析与仿真验证了算法的收敛性能。4.针对双率采样输出误差系统,由于传统辨识算法参数估计是有偏的,采用多项式变换技术,提出了基于交互估计的偏差补偿递推最小二乘辨识算法。理论分析与仿真结果表明,提出的偏差补偿算法参数估计是无偏的。5.针对一类双率非均匀采样数据系统,通过扩展传统随机梯度算法中的标量新息为新息向量,提出了这类系统的多新息随机梯度辨识算法。理论分析与仿真结果表明,算法中新息的长度能加快算法的收敛速度。