论文部分内容阅读
随着工业技术的发展,大多工业过程本质上是结构复杂的多变量系统.有色噪声的干扰,使得多变量系统的辨识变得更加困难.极大似然辨识是基于概率统计的估计方法,其参数估计值具有良好的统计特性,在多变量系统辨识中得到应用.本课题应用极大似然原理来研究有色噪声干扰下的多变量方程误差系统的辨识问题.论文主要成果如下.(1)针对交互干扰的线性多变量方程误差系统,将多变量系统分解成多个维数低、变量少的子系统,对子系统模型应用极大似然原理,推导了基于分解的极大似然递推辨识算法.借助于多新息辨识理论,推导了参数估计精度高的基于分解的极大似然多新息增广随机梯度算法.(2)针对噪声模型是滑动平均过程的线性多变量方程误差系统,利用耦合辨识概念,避免了Kronecker积运算造成的冗余参数问题,协调了子系统间部分参数向量的耦合关系,推导了子系统辨识模型耦合极大似然递推辨识算法,提高了算法的参数估计精度.并进一步将提出的算法推广到有色噪声模型是标量多项式的输入非线性方程误差多变量系统.(3)针对噪声模型是自回归滑动平均过程的线性多变量方程误差系统,引入一个线性滤波器,在不改变系统输入输出关系的基础上,对观测数据进行滤波,推导了基于滤波的极大似然递推辨识算法,提高了算法的参数估计精度,避免了Kronecker积运算造成的冗余参数问题.(4)针对噪声模型是滑动平均过程的输入非线性多变量方程误差系统,利用关键项分离方法将非线性模块参数从线性模块参数中分离出来,应用递阶辨识原理,将子系统辨识模型分解成两个虚拟的子子辨识模型,推导了基于关键项分离的极大似然递推辨识算法,交互辨识两个子子模型参数向量.论文通过数值仿真验证了所提算法的参数估计性能,并对其中一些算法的仿真结果进行了分析和比较.