發(fā)布時間：2025-02-15 10:03

　　參數(shù)辨識是分析與設計被控系統(tǒng)的前提和基礎。隨機梯度類辨識算法是常見的一種辨識算法,不同于另一種常見的最小二乘類辨識算法,隨機梯度類辨識算法在每步遞推過程中由于利用比較少的信息,所以此類算法具有更小的計算量,執(zhí)行效率更高,但同時算法的辨識精度也有所降低。對于參數(shù)待辨識的系統(tǒng)模型而言,種類也有許多。輸出誤差類模型是一類常見的辨識模型,具體包括輸出誤差模型、輸出誤差自回歸模型、輸出誤差滑動平均模型和輸出誤差自回歸滑動平均模型。本文主要針對輸出誤差類辨識模型和隨機梯度辨識算法開展了研究,通過引入加權、多新息和最新估計的辨識思想對基本的隨機梯度辨識算法進行了改進,使得改進的辨識算法針對輸出誤差類辨識模型擁有更高的辨識精度和更快的收斂速度,同時改進的辨識算法具有更小的計算量,克服了基本的隨機梯度辨識算法辨識精度低的缺點。具體的研究內(nèi)容安排如下:為了改善基本隨機梯度辨識算法的信息利用率低的問題,基于多新息辨識思想,利用加權思想,通過引入權重值將算法每步遞推過程中當前時刻的修正項與前一時刻的修正項加權求和,推導出四種輸出誤差模型的加權多新息隨機梯度辨識算法;為了進一步提高加權多新息隨機梯度辨識算法辨識的...

【文章頁數(shù)】：98 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 課題的研究現(xiàn)狀及分析
        1.2.1 系統(tǒng)辨識發(fā)展現(xiàn)狀與主要內(nèi)容
        1.2.2 梯度類辨識算法
    1.3 本文主要研究內(nèi)容
第2章 輸出誤差模型的梯度辨識算法
    2.1 OE模型的基本結構
    2.2 OE模型的隨機梯度辨識算法和多新息隨機梯度辨識算法
    2.3 加權隨機梯度辨識算法
        2.3.1 OE模型的加權隨機梯度辨識算法
        2.3.2 OE模型的加權多新息隨機梯度辨識算法
        2.3.3 OE模型的基于最新估計的加權多新息隨機梯度辨識算法
    2.4 加權多新息隨機梯度辨識算法的收斂性證明
    2.5 基于最新估計的加權多新息隨機梯度辨識算法的收斂性證明
    2.6 仿真實例
    2.7 本章小結
第3章 輸出誤差自回歸模型的梯度辨識算法
    3.1 OEAR模型的基本結構
    3.2 OEAR模型的隨機梯度辨識算法和多新息隨機梯度辨識算法
    3.3 加權隨機梯度辨識算法
        3.3.1 OEAR模型的加權隨機梯度辨識算法
        3.3.2 OEAR模型的加權多新息隨機梯度辨識算法
        3.3.3 OEAR模型的基于最新估計的加權多新息隨機梯度辨識算法
    3.4 仿真實例
    3.5 本章小結
第4章 輸出誤差滑動平均模型的梯度辨識算法
    4.1 OEMA模型的基本結構
    4.2 OEMA模型的隨機梯度辨識算法和多新息隨機梯度辨識算法
    4.3 加權隨機梯度辨識算法
        4.3.1 OEMA模型的加權隨機梯度辨識算法
        4.3.2 OEMA模型的加權多新息隨機梯度辨識算法
        4.3.3 OEMA模型的基于最新估計的加權多新息隨機梯度辨識算法
    4.4 仿真實例
    4.5 本章小結
第5章 輸出誤差自回歸滑動平均模型的梯度辨識算法
    5.1 OEARMA模型的基本結構
    5.2 OEARMA模型的隨機梯度辨識算法和多新息隨機梯度辨識算法
    5.3 加權隨機梯算法度辨識
        5.3.1 OEARMA模型的加權隨機梯度辨識算法
        5.3.2 OEARMA模型的加權多新息隨機梯度辨識算法
        5.3.3 OEARMA模型的基于最新估計的加權多新息隨機梯度辨識算法
    5.4 仿真實例
    5.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝



本文編號：4034134