欢迎来到天天文库
浏览记录
ID:471609
大小:2.62 MB
页数:66页
时间:2017-08-07
《非线性Hammerstein模型的辨识【开题报告+文献综述+毕业设计】》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、毕业设计开题报告电气工程与自动化非线性Hammerstein模型的辨识一、选题的背景与意义系统辨识是是现代控制理论中的一个重要分支。通过辨识建立数学模型的目的是估计表征系统行为的重要参数,建立一个能模仿真实系统行为的模型,用当前可测量的系统的输入和输出预测系统输出的未来演变,以及控制器的设计。非线性系统辨识是系统辨识的一个重要的发展方向,一直是现代辨识领域中的一个主要课题,对其研究有十分重要的理论和实际意义。非线性问题的主要困难之一是一直缺乏描述各种非线性系统特性的统一的数学模型。为此,人们提出了多种类型的模型,如块联模型、神经网络模型、双线性模型、非线性参数模型等等。Hammers
2、tein模型属于块联模型,由一个线性动态系统跟随一个非线性静态模块构成。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,近年来Hammerstein模型被广泛地应用于非线性系统辨识。辨识Hammerstein模型的意义在于:利用辨识结果获得中间层输出,选择合适的性能指标,就可以把原非线性系统的控制问题分解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,因此可以有效结合线性模型预测控制的成熟理论解决这类非线性对象的控制问题,避免传
3、统非线性控制方法计算量大,收敛性和闭环稳定性不能得到保证等诸多问题。二、研究的基本内容与模拟解决的主要问题:针对Hammerstein模型的辨识问题,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。因此研究的重点就是如何运用比较新颖的优化算法得到Hammerstein模型的参数解集,并能通过和传统算法的比较论证阐述采用方法的合理性,可行性及有效性。具体需要解决的问题包括以下几点:1.什么是Hammerstein模型,它的基本结构式怎么样的;2.确定Hammerstein非线性系统辨识的思想和实现方法;3.熟悉PSO/BFO优化算法和熟悉最小二乘法估计方法;4.辨识仿真模型
4、为Hammerstein模型,设非线性环节由四阶多项式描述;5.采用PSO/BFO优化算法和最小二乘法进行辨识,并要求在不同信噪比下比较辨识的结果,如辨识精度,收敛时间,鲁棒性等。三、研究的方法与技术路线:1.辨识Hammerstein模型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。线性子系统无记忆非线性增益图1.Hammerstein模型结构一类有色噪声干扰下的Hammerstein模型的差分方程可描述为:(1)其中,为滞后算子;为非线性增益环节的输出;为线性子系统的输出;是均值为0、方差为的高斯白噪声序列;为白化滤波器;与相互
5、独立。无记忆非线性增益环节采用规格化以后的p阶指数多项式逼近:(2)且假设式(1)的特征方程的特征根都在单位圆以内。引入参数向量为则辨识的目的就是在给定输入信号和系统输出的情况下估计参数向量。设参数向量的估计值:则估计的偏差可以用以下准则函数来衡量:(3)其中,s为辨识窗口宽度,为根据估计模型计算出的输出值。因此,问题归结为利用输入输出观测序列和,极小化(3)式来估计参数的标准优化问题。所以可以采用最小二乘估计法和PSO算法来求(3)式的极值及其对应的模型参数。2.最小二乘法原理如确定多项式,对于一组数据(i=1,2,…,N)使得达到极小,这里n<6、小,可以用数学中求极值的方法即:这种方法称为数据拟合的最小二乘法,即最小二乘法原理。3.粒子群优化算法PSO与大多数进化计算技术一样。是一种基于迭代的优化算法,是通过初始化一组随机解,采用迭代搜索最优值。故具有以下类似过程:第1步:种群随机初始化第2步:对种群内的每一个个体计算适应值(fitnessvalue),适应值与最优解的距离直接有关。第3步:种群根据适应值进行复制。第4步:如果终止条件满足。则停止;否则转到第2步PSO算法中每个优化问题的解都有是搜索空间中的一只鸟,称为粒子。与其他进化计算技术不同的是群体中的每个粒子可以记忆自己到过的最优位置,并能感知邻近群体已经达到的最优位7、置,每个粒子能够根据自身到过的最优位置和邻近群体已到过的最优位置来更新自己,然后粒子们不断地追赶当前最优粒子在解空间搜索。3.1PSO算法PSO算法的数学描述为:假设搜索空间为D维,第i个粒子可以用一个D维向量表示,粒子的速度可表示为,第i个粒子曾到过的最优位置为,粒子群中曾到达的最优位置是,粒子的动态范围为最大速度为,粒子的速度和位置根据以下公式从h代到h+1代:(4)(5)(6)其中,i=1,2,...,D;,为加速因子;,为相互独立的[0,1]区间内
6、小,可以用数学中求极值的方法即:这种方法称为数据拟合的最小二乘法,即最小二乘法原理。3.粒子群优化算法PSO与大多数进化计算技术一样。是一种基于迭代的优化算法,是通过初始化一组随机解,采用迭代搜索最优值。故具有以下类似过程:第1步:种群随机初始化第2步:对种群内的每一个个体计算适应值(fitnessvalue),适应值与最优解的距离直接有关。第3步:种群根据适应值进行复制。第4步:如果终止条件满足。则停止;否则转到第2步PSO算法中每个优化问题的解都有是搜索空间中的一只鸟,称为粒子。与其他进化计算技术不同的是群体中的每个粒子可以记忆自己到过的最优位置,并能感知邻近群体已经达到的最优位
7、置,每个粒子能够根据自身到过的最优位置和邻近群体已到过的最优位置来更新自己,然后粒子们不断地追赶当前最优粒子在解空间搜索。3.1PSO算法PSO算法的数学描述为:假设搜索空间为D维,第i个粒子可以用一个D维向量表示,粒子的速度可表示为,第i个粒子曾到过的最优位置为,粒子群中曾到达的最优位置是,粒子的动态范围为最大速度为,粒子的速度和位置根据以下公式从h代到h+1代:(4)(5)(6)其中,i=1,2,...,D;,为加速因子;,为相互独立的[0,1]区间内
此文档下载收益归作者所有