系統(tǒng)辨識若干問題的研究.pdf

1、非線性系統(tǒng)、閉環(huán)系統(tǒng)、多變量系統(tǒng)、結構辨識是系統(tǒng)辨識中的熱點和難點。對于非線性系統(tǒng)來說，用線性模型來擬合復雜非線性系統(tǒng)時會出現(xiàn)較大誤差，而且也很難找到一個能夠準確描述系統(tǒng)實際過程的動態(tài)模型;對于閉環(huán)系統(tǒng)來說，由于反饋作用的存在，輸入輸出信息含量減少，并且由于輸入與輸出噪聲相關，系統(tǒng)會產生不可辨識的情況;多變量系統(tǒng)由于變量多、結構復雜、強耦合等因素，傳統(tǒng)辨識方法會出現(xiàn)辨識誤差過大甚至是無法辨識的情況;通常的系統(tǒng)結構辨識方法往往是專門針對特

2、定一類系統(tǒng)的，不具有通用性。本文針對以上問題開展研究，包括以下方面:
　　1.針對傳統(tǒng)的辨識算法在外界有色噪聲地干擾下，難以得到模型參數(shù)的一致無偏估計，本文提出了一種基于HPSO的單變量線性及非線性系統(tǒng)辨識方法。該方法將非線性系統(tǒng)的辨識問題轉化為參數(shù)空間上的優(yōu)化問題，然后利用HPSO對整個參數(shù)空間進行搜索，最終得到系統(tǒng)參數(shù)的最優(yōu)估計。HPSO算法引入了健康度的概念，構造了一種粒子自我治愈模型，通過動態(tài)監(jiān)控粒子的健康情況，有針對性地

3、對生病粒子進行變異，達到粒子自我治愈的目的。辨識方法針對單變量線性及非線性系統(tǒng)辨識時都能夠得到準確的辨識結果。
　　2.相對于辨識系統(tǒng)模型的參數(shù)，辨識系統(tǒng)模型的結構要困難許多，而要實現(xiàn)對系統(tǒng)模型參數(shù)和結構的同時辨識更是難上加難。為此，本文提出了一種單變量及多變量系統(tǒng)結構與參數(shù)的一次性統(tǒng)一辨識新方法，能夠實現(xiàn)同時對系統(tǒng)模型的參數(shù)和結構進行辨識的目的。該方法引入?yún)f(xié)同優(yōu)化算法辨識系統(tǒng)參數(shù)，既有準確高效的全局搜索能力，又有快速精準的局部搜

4、索能力，能夠對模型參數(shù)做出準確地估計。對系統(tǒng)結構地辨識則采用元模型擬合的策略，通過元模型與輸入變量的排列組合，構成很多的子模型，我們只需要從這些子模型中選取能夠與實際系統(tǒng)擬合最佳的子模型即可。這樣，我們就將結構辨識轉化為模型優(yōu)化的問題，為辨識系統(tǒng)結構的問題提供了一種新思路。
　　3.由于群智能優(yōu)化算法本身就是一種隨機搜索優(yōu)化算法，當利用群智能優(yōu)化算法進行系統(tǒng)辨識時，模型參數(shù)的初始化過程就是一個隨機過程，這就導致了算法在搜索過程中具

5、有一定的盲目性。為此，本文提出了一種縮小模型參數(shù)搜索范圍的新方法并用于閉環(huán)系統(tǒng)的辨識。該方法將傳統(tǒng)的遺傳算法進行了改進，并利用該算法估計出模型參數(shù)的初值的大致鄰域范圍，將系統(tǒng)模型的參數(shù)初值縮小到一個較小的區(qū)間中，使得算法對模型參數(shù)進行辨識的時候能夠有的放矢，不會盲目進行搜索。這樣，不僅提高了算法的精度和收斂速度，還能夠有效降低由于算法隨機性所帶來的諸多不利影響。
　　4.針對傳統(tǒng)的閉環(huán)辨識算法對信號的要求較高，而在實際的工業(yè)現(xiàn)場中

6、高質量的信號往往是可遇不可求的，我們提出了一種基于任意測試信號的時滯多變量系統(tǒng)的閉環(huán)辨識方法。該方法首先基于等效開環(huán)轉換的思想，將閉環(huán)系統(tǒng)等效轉化為開環(huán)系統(tǒng)。我們假設r(t)和y(t)分別為系統(tǒng)的輸入和輸出，則閉環(huán)系統(tǒng)的傳遞函數(shù)為:Y/R=GcGs/（1+GcGs）?；陂_環(huán)辨識的思想，我們將e(t)=r(t)-y(t)作為系統(tǒng)地輸入，這樣系統(tǒng)的傳遞函數(shù)就變?yōu)?Y/E=GcGs，相當于將閉環(huán)系統(tǒng)等效轉化為開環(huán)系統(tǒng)，這樣就將閉環(huán)系統(tǒng)辨識的