基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法技术

本发明专利技术公开了一种基于组合式信号源的神经模糊Wiener‑Hammerstein模型辨识方法，包括步骤：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener‑Hammerstein模型；由高斯信号和二进制信号组合形成多信号源作为模型的输入；通过多信号源对串联的动态线性环节和静态非线性环节进行分离辨识；并由神经模糊系统对静态非线性环节采用神经模糊系统逼近；其中，若输入为高斯信号，则根据指定定理对所述Wiener‑Hammerstein的串联模块进行有效分离，并根据二进制信号的不激发特性对输入动态线性环节的输入乘积模型和输出动态线性环节的输出乘积模型进行正确分离，以获取静态分线性环节的组成变量参数；本发明专利技术的辨识方法大大简化了模型的辨识过程，且模型预测精度高。

【技术实现步骤摘要】
基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法
本专利技术属于Wiener-Hammerstein(维纳哈默斯坦系统)辨识
，尤其涉及一种基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法。
技术介绍
Wiener-Hammerstein模型是一类重要的非线性系统，适用于多种工业过程，如多传感器数据融合、电刺激骨骼肌肉模型、热交换器等。Wiener-Hammerstein模型的中间变量不可测性，导致无法直接利用输入、输出数据采用一些已有的简单的系统辨识方法对线性部分及非线性部分进行直接辨识，而对Wiener-Hammerstein模型的线性、非线性部分进行分离辨识需要间接估计中间不可测变量。如果仅仅采用神经网络或模糊系统等逼近器对模型进行逼近，模型的动态性有可能会导致这些逼近器的模型精度不高，且泛化能力弱等问题。目前Wiener-Hammerstein模型辨识方面的研究可主要分为迭代法、直接解法及一些智能搜索算法，其中迭代法最为广泛。迭代法中，当前研究较多的是通过最佳线性近似的方法(BestLinearApproximation,BLA)获取两个线性环节的乘积模型，再通过迭代的方式求得最优的模型参数，然而，迭代法存在模型参数初始化及算法收敛性不容易得到保证等问题，限制了使用范围。直接解法旨在将模型写成一个混合模型的方式，通过优化求解目标函数来得到所需要辨识的参数，包括采用矩阵的线性变换和微分方法，以及通过支持向量机等最优化方法。由于中间变量的不可测性及混合模型的参数存在乘积项，使直接解法需要过于复杂的计算。智能搜索算法类似于迭代算法，即采用遗传算法(GeneticAlgorithm,GA)、粒子群优化(ParticleSwarmOptimization,PSO)等生物进化方法[63-65]来解决Wiener-Hammerstein模型辨识。虽然这些智能搜索算法能够克服局部极小的缺陷，但仍存在需要参数的初始化及其迭代次数无法得到有效的保证等问题。
技术实现思路
本专利技术的主要目的在于提供了一种基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，用于解决现有技术中算法比较繁杂、迭代次数无法得到有效保证等的问题，具体技术方案如下：一种基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，所述辨识方法包括步骤：S1：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener-Hammerstein模型；S2：由高斯信号和二进制信号组合形成多信号源，作为所述Wiener-Hammerstein模型的输入；S3：通过所述多信号源对串联的所述输入动态线性环节、输出动态线性环节和所述静态非线性环节进行分离辨识；并根据神经模糊系统具有逼近任一分线性系统的能力，对所述静态非线性环节采用神经模糊系统逼近；S4：其中，若输入为高斯信号，则根据指定定理对由所述Wiener-Hammerstein的串联模块进行有效分离，并根据所述二进制信号的不激发特性对所述输入动态线性环节的输入乘积模型和所述输出动态线性环节的输出乘积模型进行正确分离，以获取所述静态分线性环节的组成变量参数。作为优选，所述输入动态线性环节由式v(t)＝G(q)u(t)表示，所述静态非线性环节由式z(t)＝f(v(t))表示，所述输出动态线性环节由式y(t)＝H(q)z(t)表示；式中，其中v(t)、z(t)代表所述Wiener-Hammerstein模型的中间不可测变量，f(v(t))表示只与v(t)有关的静态非线性模型；其中，所述G(q)、H(q)均采用DARMA模型表示，G(q)通过公式表示所述输入乘积模型，H(q)通过公式表示所述输出乘积模型。作为优选，所述定理为：所述Wiener-Hammerstein模型的输入、输出互相关函数与输入的自相关函数可通过式表示，其中，Ryu(τ)为所述输入动态线性环节和所述输出动态线性环节的互相关函数，Ru(τ)为所述输入动态线性环节的自相关函数，为所述输入动态线性环节和输出动态线性环节的乘积模型，b0为一个与所述静态非线性环节有关的常数。作为优选，所述辨识方法还包括步骤，判断所述输入乘积模型和所述输出乘积模型的零点和极点配置是否正确，用以辨识出所述输入动态线性环节和输出动态线性环节的参数设置。作为优选，所述输入动态线性环节和所述输出动态线性环节也可以由式表示的经典相关分析法来辨识所述输入乘积模型和输出乘积模型的参数。本专利技术的基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识算法；由输入动态线性环节、静态非线性环节和输出动态线性环节构成Wiener-Hammerstein模型，由高斯信号和二进制信号构成多信号源作为Wiener-Hammerstein的输入；Wiener-Hammerstein模型的静态非线性环节采用神经模糊模型来逼近，输入动态线性环节和输出动态线性环节采用DARMA表示；通过高斯信号及随机二进制信号组合而成的多信号源来实现Wiener-Hammerstein模型中的静态非线性环节和动态线性环节的分离辨识，间接的解决了中间变量的不可测问题；与现有技术相比，本专利技术只需要采用简单的系统辨识方法对Wiener-Hammerstein模型的各部分进行辨识，大大简化了模型的辨识过程，且有效的避免了传统的迭代方法参数初始化及收敛性难以得到保证问题；同时，本专利技术具有较好的模型预测精度,具有逼近较强非线性过程的能力。附图说明图1为本专利技术所述基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法的流程图示意；图2为本专利技术所述Wiener-Hammerstein模型的输入输出关系示意图；图3为本专利技术所述Wiener-Hammerstein模型的线性环节零点、极点配置策略示意图；图4为本专利技术所述输入动态线性环节G(q)的零点、极点分布图示意；图5为本专利技术所述输出动态线性环节H(q)的零点、极点分布图示意；图6为本专利技术所述所述多信号源的波形图示意；图7为本专利技术所述乘积模型的辨识结果图示意；图8为本专利技术所述随即二进制信号在Wiener-Hammerstein模型中的输入与输出关系示意图；图9为本专利技术所述Wiener-Hammerstein中最小二乘、泰勒级数及PBLA的模型输出示意图；图10为本专利技术所述Wiener-Hammerstein中最小二乘、泰勒级数及PBLA方法的模型误差示意图；图11为本专利技术所述静态非线性环节的比较示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。参阅图1，在本专利技术实施例中，提供了一种基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，所述辨识方法包括步骤：S1：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener-Hammerstein模型；S2：由高斯信号和二进制信号组合形成多信号源，作为所述Wiener-Hammerstein模型的输入；以及S3：通过所述多信号本文档来自技高网...

【技术保护点】
1.基于组合式信号源的神经模糊Wiener‑Hammerstein模型辨识方法，其特征在于，所述辨识方法包括步骤：S1：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener‑Hammerstein模型；S2：由高斯信号和二进制信号组合形成多信号源，作为所述Wiener‑Hammerstein模型的输入；S3：通过所述多信号源对串联的所述输入动态线性环节、输出动态线性环节和所述静态非线性环节进行分离辨识；并根据神经模糊系统具有逼近任一分线性系统的能力，对所述静态非线性环节采用神经模糊系统逼近；S4：其中，若输入为高斯信号，则根据指定定理对由所述Wiener‑Hammerstein的串联模块进行有效分离，并根据所述二进制信号的不激发特性对所述输入动态线性环节的输入乘积模型和所述输出动态线性环节的输出乘积模型进行正确分离，以获取所述静态分线性环节的组成变量参数。

【技术特征摘要】
1.基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，其特征在于，所述辨识方法包括步骤：S1：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener-Hammerstein模型；S2：由高斯信号和二进制信号组合形成多信号源，作为所述Wiener-Hammerstein模型的输入；S3：通过所述多信号源对串联的所述输入动态线性环节、输出动态线性环节和所述静态非线性环节进行分离辨识；并根据神经模糊系统具有逼近任一分线性系统的能力，对所述静态非线性环节采用神经模糊系统逼近；S4：其中，若输入为高斯信号，则根据指定定理对由所述Wiener-Hammerstein的串联模块进行有效分离，并根据所述二进制信号的不激发特性对所述输入动态线性环节的输入乘积模型和所述输出动态线性环节的输出乘积模型进行正确分离，以获取所述静态分线性环节的组成变量参数。2.根据权利要求1所述的基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，其特征在于，所述输入动态线性环节由式v(t)＝G(q)u(t)表示，所述静态非线性环节由式z(t)＝f(v(t))表示，所述输出动态线性环节由式y(t)＝H(q)z(t)表示；式中，其中v(t)、z(t)代表所述Wiener-Hamm...

【专利技术属性】
技术研发人员：张亚楠，
申请(专利权)人：常州轻工职业技术学院，
类型：发明
国别省市：江苏,32