群智能的雙率系統(tǒng)的狀態(tài)與參數(shù)估計.pdf

1、針對多率系統(tǒng)(Multirate system)的辨識研究多采用傳統(tǒng)的遞推辨識算法，近年來，隨著科學(xué)技術(shù)和辨識理論的不斷進步和發(fā)展，對復(fù)雜系統(tǒng)辨識方法的探索以及對辨識方法在收斂性、準確性和魯棒性等性能上都提出了更高的要求。本文以群智能的生物優(yōu)化理論為基礎(chǔ)，結(jié)合線性系統(tǒng)辨識算法的特點與多新息辨識理論融合，基于多率系統(tǒng)的狀態(tài)空間模型，研究了多率系統(tǒng)的模型轉(zhuǎn)換、參數(shù)辨識、狀態(tài)估計等問題。并分析了智能算法的收斂性和魯棒性。在前期研究的基礎(chǔ)上，查

2、閱了大量的文獻，進行了比較深入的研究，取得研究成果如下：
　　1.針對標準粒子群算法的缺點，提出了改進型的快速收斂協(xié)同粒子群算法(The Modified Cooperative Particle Swarm Optimization algorithm, MCPSO)，給出了算法的迭代公式，并根據(jù)標準二階系統(tǒng)穩(wěn)定性理論，分析算法的收斂性并給出收斂區(qū)域和參數(shù)設(shè)置準則，最后通過標準測試函數(shù)驗證改進算法的快速尋優(yōu)性能和有效性。

3、　　2.基于雙率系統(tǒng)，利用提升技術(shù)，建立系統(tǒng)的狀態(tài)空間辨識模型，通過極小化估計誤差協(xié)方差矩陣來辨識系統(tǒng)參數(shù)，將改進的快速收斂協(xié)同粒子群算法，應(yīng)用在帶有白色和有色噪聲的雙率模型上，通過和遞推最小二乘算法(RLS)的實驗結(jié)果比較，對比了不同算法在雙率系統(tǒng)參數(shù)估計上的優(yōu)缺點，分析了算法的收斂性和魯棒性。
　　3.基于非均勻周期采樣的多率系統(tǒng)，建立系統(tǒng)規(guī)范型狀態(tài)空間模型并推出基于快速收斂的協(xié)同粒子群優(yōu)化的狀態(tài)估計算法。通過實驗來驗證了改進