论文摘要
随着现代工业的发展,越来越多的工业系统已不再局限于单变量系统,而是结构复杂的多变量系统,所以对多变量系统辨识方法的研究越来越重要.本文拟定了多变量系统辨识方法比较研究课题,选题具有学术意义和应用前景。作者在查阅了相关文献的基础上,对辨识算法的计算量和收敛性进行了深入的分析和研究,取得了下列创新性研究成果.1.针对多变量系统,利用梯度搜索原理,提出了多变量系统的随机梯度辨识算法和分子系统随机梯度辨识算法,并与现存递阶随机梯度算法在计算量、参数估计精度和算法收敛速度进行了仿真比较研究:三个算法中递阶随机梯度辨识算法计算量最少,计算效率最高,但参数估计性能介于随机梯度算法和分子系统随机梯度算法之间。2.针对多变量系统,利用梯度迭代技术,提出了多变量系统的梯度迭代辨识算法和分子系统梯度迭代算法,与递阶梯度迭代辨识算法相比,它们的性能与上述随机梯度算法性能类似,但算法中收敛因子的取值影响着算法的收敛性能.对于确定性系统,在容许范围内收敛因子越大,参数估计误差越小。最后通过仿真例子比较了这些算法性能。3.针对多变量系统,利用递推最小二乘原理,提出了分子系统最小二乘算法,并与现存多变量系统递推最小二乘算法和递阶最小二乘算法相比,三个最小二乘算法参数估计收敛性能基本相近,但递阶最小二乘算法计算量是三者中最小的,提出的分子系统最小二乘算法介于二者之间。4.针对多变量系统,利用最小二乘迭代技术,提出了多变量系统的最小二乘迭代算法、分子系统最小二乘迭代算法,与现存递阶最小二乘迭代算法相比,三个算法参数估计收敛性能基本相近,但递阶最小二乘迭代算法计算量是三者中最小的,提出的分子系统最小二乘迭代算法介于二者之间。并对每个算法进行了Matlab仿真,仿真结果证实了理论分析。5.在研究了多变量系统分子系统随机梯度算法的基础上,通过对算法的分解,使其耦合变量最少,避免分子系统随机梯度算法的重复估计参数的缺点,提出了多变量分子系统随机梯度部分耦合算法,不必重复估计参数,计算量也减小,最后通过计算机仿真比较研究.6.多变量系统递推最小二乘算法计算量很庞大,为减小计算量,将子系统分解思想与递阶辨识原理相结合,提出多变量分子系统最小二乘递阶辨识算法,大大减小了计算量。文中还运用鞅收敛定理证明了在持续激励条件下,提出算法参数估计误差收敛于零,并进行了计算机仿真研究。7.针对多变量系统,将多新息辨识理论与递阶辨识原理相结合,提出了递阶多新息随机梯度辨识算法和递阶多新息最小二乘辨识算法.由于引入了新息长度参量,抑制了坏数据对参数估计的影响,算法的收敛速度和辨识精度有明显提高,并进行了计算机仿真比较研究。论文最后给出了一个总结和展望,并对所面临的一些困难和尚待深入研究的内容作了简单介绍,比如有些算法给出了具体的推导过程但是缺乏理论证明,另外,辨识算法在复杂工业控制过程的应用有待进一步的深入研究。