Hammerstein-Wiener型非线性系统的辨识与控制.docx

文档介绍：第1章給论
因而为了克服它的不足,形成了一些以最小二乘法为基础的辨识方法:广义最小二乘法
(GLS)、辅助变量法(IVA)和增广矩阵法(EM),以及将一般的最小二乘法与其它方法相结
合的方法,有相关分析——最小二乘两步法()和随机逼近算法。极大似然(ML)
对特殊的噪声模型有很好的性能,具有很好的理论保证但计算耗费大,可能得到的是损
失函数的局部极小值。
传统的系统辨识方法虽然已经发展的比较成熟和完善,但也还存在着一定的不足和
局限:
(1)基于最小二乘法的系统辨识一般要求输入信号已知且必须具有较丰富的变化,
这一条件在许多普通闭环控制系统是可以满足的,而在某些动态预测系统和过程控制系
统中,系统的输入往往无法精确获得或不允许随意改变,因此这些传统的方法不便直接
应用;
(2)传统的系统辨识方法对于线性系统的辨识具有很好的辨识效果,但对于非线性
系统往往不能得到满意的辨识结果;
(3)传统的辨识方法普遍存在着不能同时确定系统的结构与参数以及往往得不到全
局最优解的缺点。
近年来,随着智能控制理论研究的不断深入及其在控制领域的广泛应用,从逼近理
论和模型研究的发展来看,非线性系统建模己从用线性模型逼近发展到用非线性模型逼
近的阶段。由于非线性系统本身所包含的现象非常复杂,很难推导出能适应各种非线性
系统的辨识方法,因此非线性系统的辨识还没有构成完整的科学体系。针对传统系统辨
识方法存在着的上述不足和局限,把神经网络、遗传算法、小波网络、模糊理论、支持
向量机等知识应用于系统辨识中,发展了很多新的非线性系统辨识方法,下面简要介绍
几种方法。