基于加權(quán)多新息方法的系統(tǒng)辨識.pdf

1、多新息辨識方法與傳統(tǒng)的最小二乘、隨機梯度類算法等采用單新息修正的辨識方法相比，具有更好的收斂性能以及克服壞數(shù)據(jù)的能力，因此對它的研究具有重要的理論意義以及應(yīng)用價值。本論文在多新息辨識方法的基礎(chǔ)上，通過引入加權(quán)矩陣提出加權(quán)多新息辨識方法，并取得了以下的研究成果。
　　一、論文首先針對受控AR模型(CAR模型)推導(dǎo)出分別基于投影法以及隨機梯度法的加權(quán)多新息算法，并利用仿真例子說明了通過選擇合適的加權(quán)矩陣，加權(quán)多新息辨識方法比普通的多新

2、息算法在相同新息長度下具有更快的收斂速度以及參數(shù)估計精度，最后簡要探討了加權(quán)矩陣對于參數(shù)估計效果的影響。
　　二、對于時變系統(tǒng)的參數(shù)估計，提出了帶有遺忘因子的加權(quán)多新息算法，并通過仿真結(jié)果證實了算法的有效性。
　　三、針對存在有色噪聲干擾的受控自回歸滑動平均模型(CARMA模型)，提出了加權(quán)多新息增廣隨機梯度算法，并用仿真例子說明了與普通多新息增廣隨機梯度算法相比的優(yōu)越性。
　　四、進(jìn)一步將加權(quán)多新息算法推廣到更為復(fù)雜