線性參數(shù)變化系統(tǒng)辨識方法研究.pdf

1、過程建模是眾多基于模型的先進控制和優(yōu)化策略設(shè)計與實現(xiàn)的前提條件。過程不斷增長的規(guī)模和復(fù)雜度使得建立工業(yè)過程的機理模型變的非常困難，甚至成為不可實現(xiàn)的任務(wù)。由于過程數(shù)據(jù)中包含了過程動態(tài)的豐富信息，基于過程數(shù)據(jù)辨識得到過程的數(shù)學(xué)模型已經(jīng)成為復(fù)雜工業(yè)過程建模的主要手段。
　　大部分實際的工業(yè)過程呈現(xiàn)復(fù)雜的非線性/參數(shù)變化特性，傳統(tǒng)的線性模型無法描述過程的全局動態(tài)行為。線性參數(shù)變化系統(tǒng)的模型類以其線性結(jié)構(gòu)和具有精確逼近復(fù)雜非線性/時變過程

2、的能力得到了研究人員的廣泛關(guān)注。目前，線性參數(shù)變化系統(tǒng)控制理論及其工業(yè)應(yīng)用相關(guān)研究得到很大發(fā)展，然而線性參數(shù)變化系統(tǒng)辨識方法的研究成果卻十分有限。諸如系統(tǒng)參數(shù)變化時滯、不確定量測時滯、不規(guī)則采樣數(shù)據(jù)或多率數(shù)據(jù)、數(shù)據(jù)丟失、魯棒參數(shù)估計等在實際工業(yè)過程中普遍存在的問題在線性參數(shù)變化系統(tǒng)辨識研究中還沒有得到充分考慮。因此，本論文在考慮這些實際工業(yè)問題的前提下研究基于數(shù)據(jù)的線性參數(shù)變化系統(tǒng)辨識方法，具有重要的理論和實際意義。本論文的主要研究內(nèi)容

3、可以概括如下：
　　研究了線性參數(shù)變化時滯系統(tǒng)的辨識問題。根據(jù)局部辨識思想，通過加權(quán)組合多個局部線性模型來構(gòu)造系統(tǒng)的全局線性參數(shù)變化模型。首先考慮了系統(tǒng)具有參數(shù)變化時滯的情況，基于極大似然準則和期望最大化算法，提出了同時估計模型參數(shù)和參數(shù)變化時滯的遞推辨識算法。接著，基于所有局部模型共有一個時滯參數(shù)的先驗信息，進一步提出了具有定常時滯的線性參數(shù)變化系統(tǒng)模型參數(shù)遞推辨識算法。
　　研究了量測缺失下線性參數(shù)變化系統(tǒng)的辨識問題。采

4、用輸出插值策略組合多個局部線性模型來構(gòu)造系統(tǒng)的全局線性參數(shù)變化模型。為了處理量測缺失問題，首先采用有限脈沖響應(yīng)模型來描述系統(tǒng)的局部動態(tài)，利用先驗信息構(gòu)造了全局模型參數(shù)的先驗分布，基于極大后驗準則和廣義期望最大化算法，提出了輸出插值的線性參數(shù)變化有限脈沖響應(yīng)模型參數(shù)遞推辨識算法；基于辨識得到的有限脈沖響應(yīng)模型，又進一步提出了輸出插值的線性參數(shù)變化輸出誤差模型參數(shù)遞推辨識算法。
　　研究了具有不確定量測時滯的線性參數(shù)變化多率系統(tǒng)的辨識

5、問題?；诰植勘孀R思想和期望最大化及其廣義算法，同時考慮系統(tǒng)的參數(shù)變化特性和不確定量測時滯問題，分別提出了基于多率數(shù)據(jù)直接辨識快采樣率線性參數(shù)變化有限脈沖響應(yīng)模型參數(shù)和線性參數(shù)變化輸出誤差模型參數(shù)的遞推辨識算法。
　　研究了量測缺失下線性參數(shù)變化時滯系統(tǒng)的辨識問題。系統(tǒng)模型參數(shù)表達為調(diào)度變量當前時刻取值的多項式函數(shù)?；跇O大似然準則和廣義期望最大化算法，提出了基于不完整數(shù)據(jù)集同時估計線性參數(shù)變化模型參數(shù)多項式函數(shù)系數(shù)和時滯參數(shù)的遞

6、推辨識算法。通過使用輔助變量將線性參數(shù)變化模型寫成了線性回歸形式，從而避免了在辨識中處理后移算子與調(diào)度變量依賴項乘積的不可交換性和非線性數(shù)值優(yōu)化問題，簡化了辨識算法。
　　研究了線性參數(shù)變化系統(tǒng)的魯棒辨識問題。為了處理數(shù)據(jù)中的異常點，利用學(xué)生氏t-分布構(gòu)造一個魯棒系統(tǒng)模型?；跇O大似然準則，提出了同時估計線性參數(shù)變化模型參數(shù)多項式函數(shù)系數(shù)、尺度參數(shù)和自由度參數(shù)的魯棒遞推辨識算法。在算法中，模型參數(shù)通過對一個加權(quán)的均方誤差準則函數(shù)進