毕业设计文献综述电气工程与自动化非线性Hammerstein模型的辨识非线性Hammerstein模型辨识的历史及意义自从Narendra&Gallman1966年提出了Hammerstein模型后,由于模型结构简单且能有效地描述常见的非线性动态系统特性,所以许多学者相继研究了Hammerstein模型参数的估计方法。Hammerstein模型在很多工程实践上都是一个很有用的面向块的模型,其中包括控制,信号处理和通信等等。Hammerstein模型是由一个无记忆非线性增益环节和线性子系统串联而成,其连接方式如图1所示。,可以归结为线性模块的动态优化问题和非线性模块的静态求根问题,从而结合线性模型预测的成熟理论解决此类非线性对象的控制问题。然而传统的辨识方法始终未能很好地解决此类复杂的非线性对象的辨识,因此非线性Hammerstein系统的辨识一直是当今国际辨识界所关心的问题。二、非线性Hammerstein模型辨识研究现状及趋势多年来在控制和信号处理方面Hamerstein模型的辨识一直是一个积极地研究领域。已经有相当数量的文献资料对Hammerstein模型辨识问题展开了研究,其中对于Hammerstein模型的辨识方法大致可以分成五类:第一类采用传统迭代法,最早由Narendra和Gallman提出,这种方法计算复杂,并且此方法不一定收敛;,利用分离原理,将稳态估计和动态辨识相结合,但这种方法需要严格假设输入为白噪声并且以上两种方法均假设系统线性部分的阶次、时延为已知;第三类是EBai和IGornez等提出一种基于最小二乘法和特征值分解的辨识方法(LSE—SVD),仅需假设输入为持续激励,并可获得在有噪声情况下系统的有效辨识,但这种算法只在被控对象可无误差的分解为非线性和线性环节且非线性部分的基先验已知时,且最小二乘所得参数矩阵的秩为l,才能保证辨识误差在额定范围内,否则辨识误差将受到参数矩阵其他特征值干扰,无法保证辨识落入允许范围;第四类是参数过度化法,是使Hamerstein系统过度参数化,从而在未知参数下过度参数化的系统就线性化了,然后就可以使用线性估计算法进行辨识,这种方法的难点在于所得到的线性系统维数可能很大,因此系统的收敛性和鲁棒性就可能成问题;第五类子空间辨识法,通常适用于多输入、多输出的非线性系统的辨识。在近年来的研究中,基于群集智能方法的发展,越来越多演化计算技术被应用到复杂系统辨识当中。如蚁群算法(ACO),粒子群优化(PSO)算法和细菌觅食(BFO)优化算法等在Hammerstein模型的辨识中得到了广泛的发展和应用,其理论也在不断地改进和完善。下面简要介绍下粒子群优化(PSO)算法和细菌觅食(BFO)优化算法。,Kennedy和Eberhar提出一种较为新颖的优化算法——粒子群优化算法(ParticleSwarmOptimization,PSO)。该算法与蚁群算法(AntColonyOptimization,ACO)相似,也是一种基于群体智能(SwarmIntelligence,SI)的优化算法,即模拟鸟群觅食的过程,而其功能与遗传算法(icAlgorit
非线性Hammerstein模型的辨识【文献综述】 来自淘豆网www.taodocs.com转载请标明出处.