The invention relates to a robust identification method of linear variable parameter time-delay systems with random missing data, and relates to the technical field of industrial system modeling and parameter identification in industrial system models. In order to solve the problems of system delay, random output data missing and abnormal value in the output data of the system, the invention has the problem that the model parameter identification accuracy is low. The invention includes the following steps: the establishment of linear parameter varying time delay model; step two: according to the steps of a set of linear parameter varying time delay model, the establishment of student's t distribution linear parameter varying time delay based on robust probability model; step three: generalized expectation maximization algorithm based on student's t distribution LPV delay robust probability model the two step identification based on the obtained parameters of linear parameter varying time delay model
【技术实现步骤摘要】
一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法
本专利技术涉及工业系统建模以及工业系统模型参数辨识
技术介绍
实际的工业系统,包括机械设备、发动机等,都属于复杂的非线性系统,对这些系统的精确建模是控制和优化方法设计与实现的前提条件。而线性变参数模型能够有效的对此类工业过程进行建模,其实际意义远远超过了传统的建模方法。因此,对线性变参数模型的研究很有必要。在利用线性变参数模型对复杂工业过程进行建模时,对已经建好的模型进行参数辨识需要考虑以下常见因素:存在系统时滞、系统的输出数据随机缺失、系统的输出数据中含有异常值。这些因素都会很大程度上影响模型参数辨识的精度。
技术实现思路
本专利技术的目的是为了解决现有技术存在系统时滞、系统的输出数据随机缺失、系统的输出数据中含有异常值导致模型参数辨识精度较低的问题,而提出一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法。一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法包括以下步骤:步骤一:建立线性变参数(LPV)时滞模型;步骤二:根据步骤一建立线性变参数(LPV)时滞模型,建立基于学生氏t-分布线性变参数(LPV)时滞鲁棒概率模型;步骤三:基于广义期望最大化(generalizedexpectationmaximization,GEM)算法,对步骤二建立的基于学生氏t-分布LPV时滞鲁棒概率模型进行辨识,得到线性变参数时滞模型的参数θ*,δ*,d*;其中θ*为最优的模型参数多项式系数,δ*为最优的尺度变量,为最优的自由度参数,d*为最优的时间延迟。本专利技术的有益效果为:本专利技术方法在考虑系统 ...
【技术保护点】
一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法,其特征在于:所述量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法包括以下步骤:步骤一:建立线性变参数时滞模型;步骤二:根据步骤一建立线性变参数时滞模型,建立基于学生氏t‑分布线性变参数时滞鲁棒概率模型;步骤三:基于广义期望最大化算法,对步骤二建立的基于学生氏t‑分布LPV时滞鲁棒概率模型进行辨识,得到线性变参数时滞模型的参数θ
【技术特征摘要】
1.一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法,其特征在于:所述量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法包括以下步骤:步骤一:建立线性变参数时滞模型;步骤二:根据步骤一建立线性变参数时滞模型,建立基于学生氏t-分布线性变参数时滞鲁棒概率模型;步骤三:基于广义期望最大化算法,对步骤二建立的基于学生氏t-分布LPV时滞鲁棒概率模型进行辨识,得到线性变参数时滞模型的参数θ*,δ*,d*;其中θ*为最优的模型参数多项式系数,δ*为最优的尺度变量,为最优的自由度参数,d*为最优的时间延迟。2.根据权利要求1所述的一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法,其特征在于:所述步骤一中建立线性变参数时滞模型的具体过程为:假设一个线性变参数时滞系统用下面的线性变参数输出误差模型表示:xk=G(ωk,z-1)uk-dyk=xk+εk其中yk表示系统的输出,xk为线性变参数时滞模型的无噪声输出,uk-d表示k-d时刻的线性变参数时滞模型输入,uk表示线性变参数时滞模型的在k时刻的输入,z-1为递归因子,ωk为可测量的调度变量,d表示时间延迟,εk表示零均值的随机噪声,k=1,….N;G(ωk,z-1)表示输入与输出之间的传递函数,表示为:B(ωk,z-1)为中间变量;A(ωk,z-1)与B(ωk,z-1)分别为:其中na为线性变参数时滞模型输出的阶次;nb为线性变参数时滞模型输入的阶次;m和n为迭代变量,m的取值为1,2,3……na,n的取值为1,2,3……nb;na取值为大于等于1小于等于5的正整数,nb取值为大于等于1小于等于5的正整数;z-m为m阶递归因子;z-n为n阶递归因子;am(ωk)和bn(ωk)为系数;am(ωk)和bn(ωk)写为ωk的亚纯函数的线性组合:其中表示为A(·)的伴随矩阵,且等价于A(·)xk=uk;φi(ωk)和χj(ωk)是调度变量ωk的亚纯函数,na和nb表示LPV时滞系统的阶数,nα和nβ表示系数函数的阶数;线性变参数时滞系统的模型写为:A(ωk,z-1)xk=B(ωk,z-1)uk-duk-dk-d分别定义两个维数为na(nα+1)+nb(nβ+1)的向量和θ如下:其中θ是模型参数多项式系数;xk-1为k-1时刻的线性变参数时滞模型无噪声输出;xk-2为k-2时刻的线性变参数时滞模型无噪声输出;为k-na时刻的线性变参数时滞模型无噪声输出;uk-1-d为k-1-d时刻线性变参数时滞模型的输入;uk-2-d为k-2-d时刻线性变参数时滞模型的输入;为k-nb-d时刻线性变参数时滞模型的输入;得到:其中表示向量的转置。3.根据权利要求2所述的一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法,其特征在于:所述步骤二中根据步骤一建立线性变参数时滞模型,建立基于学生氏t-分布线性变参数时滞鲁棒概率模型的具体过程为:步骤二一:将局部噪声变化参数为δ/λk,由此得到:其中δ为尺度变量,表示噪声序列εk服从高斯分布,均值为0,方差为δ/λk;λk是权重参数:其中表示自由度参数,yk服从高斯分布如下:步骤二二:yk的边缘分布通过联合边缘分布对λk求积分得到:其中Γ(·)表示Gamma函数,是服从Gamma分布的概率密度。4.根据权利要求3所述的一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法,其特征在于:所述步骤三中广义期望最大化算法的具体过程为:步骤1)初始化:初始化待估计的参数Θ1,迭代次数s设为1;步骤2)E-step:计算推导出Q-函数:其中logp(Cmis,Cobs|Θ)为完整数据集C={Cobs,Cmis}的对数似然函数,Θs为当前的线性变参数时滞模型的参数,为观测数据集,为系统输出数据中没有丢失的部分,u1;N为表示每一个时刻系统的输入数据,ω1:N为表示每一个时刻系统的调度变量的值,为缺失数据集,为随机缺失的数据,λ1:N为权重序列,是模型参数;表示logp(Cmis,Cobs|Θ)的条件期望;步骤3)M-step:通过最大化Q-函数,得到新的参数估计Θs+1,使得:Q(Θs+1|Θs)≥Q(Θs|Θs)再令:Θs=Θs+1;步骤4)令s=s+1,返回到步骤2),不断重复执行E-step和M-step,直到最后待估参数收敛为止;收敛条件是:5.根据权利要求4所述的一种量测数据随机缺失的线性变参数时滞系统的鲁棒辨识方法,其特征在于:所述步骤三中对步骤二建立的基于学生氏t-分布LPV时滞鲁棒概率模型进行辨识,得到线性变参数时滞模型的参数θ*,δ*,d*的具体过程为:E-step:(1)计算完整数据集C={Cobs,Cmis}的对数似然函数logp(Cmis,Cobs|Θ),利用概率链式法则,对数似然函数写为:将对数似然函数分别对离散的时间延迟d、随机缺失的数据权重序列λ1:N求取条件期望,可得:
【专利技术属性】
技术研发人员:杨宪强,高会军,刘鑫,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。