非均匀采样Hammerstein系统的梯度迭代辨识算法

发布时间：2024-03-23 10:17

　　为了解决Hammerstein非线性系统在非均匀采样条件下的辨识问题,该文提出了1种能够用于在线参数估计的梯度迭代算法。通过引入时变后移算子,推导了非均匀采样Hammerstein系统的离散时间模型。采用关键项分离技术将系统参数化为1个线性回归模型。基于辅助模型辨识思想对未知中间变量进行重构,并利用负梯度搜索原理获得模型参数的迭代估计。仿真结果表明,该文方法是有效的,且比辅助模型随机梯度算法具有更快的收敛速度,参数估计精度提高近40倍。

【文章页数】：10 页

【部分图文】：

图2AM-SG算法参数估计值随k变化曲线图

南京理工大学学报第41卷第6期图2AM-SG算法参数估计值随k变化曲线图图3GI算法参数估计值随k变化曲线图AM-SG算法和GI算法得到的参数估计相对误差ε随k变化曲线如图4所示。图4中ε=∑1i=0∑2j=1(a)ij－aij)2+∑1i=0∑2j=0(b)ij－bij)2+∑....

图3GI算法参数估计值随k变化曲线图

南京理工大学学报第41卷第6期图2AM-SG算法参数估计值随k变化曲线图图3GI算法参数估计值随k变化曲线图AM-SG算法和GI算法得到的参数估计相对误差ε随k变化曲线如图4所示。图4中ε=∑1i=0∑2j=1(a)ij－aij)2+∑1i=0∑2j=0(b)ij－bij)2+∑....

图4参数估计误差随k变化曲线图

南京理工大学学报第41卷第6期图2AM-SG算法参数估计值随k变化曲线图图3GI算法参数估计值随k变化曲线图AM-SG算法和GI算法得到的参数估计相对误差ε随k变化曲线如图4所示。图4中ε=∑1i=0∑2j=1(a)ij－aij)2+∑1i=0∑2j=0(b)ij－bij)2+∑....

本文编号：3935775