一种非线性系统鲁棒辨识方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种非线性系统鲁棒辨识方法、系统、装置及存储介质，属于系统建模和参数辨识技术领域，包括：获取非线性系统，利于关键项分离技术将非线性系统表示为线性回归形式的系统模型；基于学生式t分布建立异常值干扰下所述系统模型的鲁棒辨识概率模型，并构建所述系统模型的参数集；将所述鲁棒辨识概率模型和参数集输入到构建好的基于广义期望最大化算法改进的辨识模型中，得到所述非线性系统中模型参数和噪声参数的估计公式，根据所述估计公式计算得到模型参数和噪声参数，完成辨识；本发明专利技术利用关键项分离技术、学生式t分布、辅助模型、基于广义期望最大化算法改进的辨识模型，同时解决数据丢失和异常值干扰的问题。同时解决数据丢失和异常值干扰的问题。同时解决数据丢失和异常值干扰的问题。

【技术实现步骤摘要】
一种非线性系统鲁棒辨识方法、系统、装置及存储介质


[0001]本专利技术涉及一种非线性系统鲁棒辨识方法、系统、装置及存储介质，属于系统建模和参数辨识


技术介绍

[0002]实际工业系统中普遍存在着非线性，如：工业制造、化学反应过程、高精密仪器设备等。Hammerstein OE系统结构清晰、灵活多变、可以有效的表示各类不同的非线性系统特性的特点，使其在工程上有着极高的代表性和实用性。因此对非线性Hammerstein OE系统的研究显得很有必要。
[0003]在实际应用中，不能保证每时每刻系统和数据传输不出现故障，由于数据采集设备、采集方式和环境噪声等因素的限制，在收集到的数据集中往往会掺杂一定比例的异常值；由于传感器限幅、采样频率不规则、采样数据意外中断等原因，使得数据丢失问题经常发生。这些问题很大程度上影响了收集到的数据集质量，对工业过程中的辨识算法提出了更高的要求。

技术实现思路

[0004]本专利技术的目的在于提供一种非线性系统鲁棒辨识方法、系统、装置及存储介质，解决现有技术中的异常值参杂、数据丢失等问题。
[0005]为实现以上目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种非线性系统鲁棒辨识方法，包括：
[0007]获取非线性系统，利于关键项分离技术将非线性系统表示为线性回归形式的系统模型；
[0008]基于学生式t分布建立异常值干扰下所述系统模型的鲁棒辨识概率模型，并构建所述系统模型的参数集；
>[0009]将所述鲁棒辨识概率模型和参数集输入到构建好的基于广义期望最大化算法改进的辨识模型中，得到所述非线性系统中模型参数和噪声参数的估计公式，根据所述估计公式计算得到模型参数和噪声参数，完成辨识。
[0010]结合第一方面，进一步的，获取非线性系统，利于关键项分离技术将非线性系统表示为线性回归形式的系统模型，包括：
[0011]获取如下非线性系统：
[0012][0013][0014][0015][0016]其中，u
k
表示系统输入，y
k
表示系统输出，s
k
表示不可分离的中间信号，e
k
表示输出测量噪声，A(z)和B(z)是单位后移算子z
‑1的多项式，z
‑1y
k
＝y
k
‑1，f
i
表示系统非线性模块中由未知参数组成的幂函数多项式，c
i
表示非线性函数对应的未知参数，和表示系统线性模块传递函数对应的参数，n
c
表示非线性函数的阶次，n
a
和n
b
是A(z)和B(z)的已知阶次；
[0017]通过关键项分离技术，将中间变量r
k
定义如下：
[0018][0019]将将上式中右侧的第一个变量s
k
作为单独的关键项，根据关键项分离原则将非线性模块s
k
输出代入上式，得出：
[0020][0021]将上述模型改写为线性回归形式，定义参数向量θ和信息向量为：
[0022][0023][0024][0025]其中，表示实数集，T表示矩阵转置运算符；
[0026]得到最终的线性回归形式的系统模型为：
[0027][0028]其中，是所需辨识的模型参数。
[0029]结合第一方面，进一步的，基于学生式t分布建立的异常值干扰下所述系统模型的鲁棒辨识概率模型为：
[0030][0031]其中，θ是所需辨识的模型参数，δ表示学生式t分布的尺度参数，ε表示学生式t分
布的自由度参数，Γ(
·
)表示伽马函数；
[0032]构建的所述系统模型的参数集为Θ＝{θ，δ，ε}。
[0033]结合第一方面，进一步的，在基于广义期望最大化算法改进的辨识模型中，用辅助模型输出代替辨识过程中不可测量的相关项。
[0034]结合第一方面，进一步的，在基于广义期望最大化算法改进的辨识模型中，每一步迭代由期望步骤和最大化步骤组成，通过反复执行期望步骤和最大化步骤，直到待辨识参数收敛到最优值为止；
[0035]在期望步骤中，定义完整数据集，构造完整数据集的对数似然函数，对参数集中的参数进行估计得到当前时刻参数估计，根据当前时刻参数估计将对数似然函数对不可观测数据集取条件期望以构造目标代价函数；
[0036]在最大化步骤中，通过迭代算法寻找下一时刻参数估计以确保每次迭代都能够增加目标代价函数的值，从而获得最优的参数估计公式，根据最优的参数估计公式计算得到参数的最优值。
[0037]第二方面，本专利技术还提供了一种非线性系统鲁棒辨识系统，包括：
[0038]关键项分离模块：用于获取非线性系统，利于关键项分离技术将非线性系统表示为线性回归形式的系统模型；
[0039]输入获取模块：用于基于学生式t分布建立异常值干扰下所述系统模型的鲁棒辨识概率模型，并构建所述系统模型的参数集；
[0040]辨识模块：用于将所述鲁棒辨识概率模型和参数集输入到构建好的基于广义期望最大化算法改进的辨识模型中，得到所述非线性系统中模型参数和噪声参数的估计公式，根据所述估计公式计算得到模型参数和噪声参数，完成辨识。
[0041]第三方面，本专利技术还提供了一种非线性系统鲁棒辨识装置，包括处理器及存储介质；
[0042]所述存储介质用于存储指令；
[0043]所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
[0044]第四方面，本专利技术还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
[0045]与现有技术相比，本专利技术所达到的有益效果是：
[0046]本专利技术提供的一种非线性系统鲁棒辨识方法、系统、装置及存储介质，利用关键项分离技术和辅助模型思想参数化非线性系统得到系统模型，基于学生式t分布建立异常值干扰下系统模型的鲁棒辨识概率模型并构建所述系统模型的参数集，将两者作为构建好的基于广义期望最大化算法改进的辨识模型的输入，利用广义期望最大化算法有效解决数据丢失的问题，基于学生式t分布建立的异常值干扰下系统模型的鲁棒辨识概率模型，能够获得抵抗异常值的鲁棒性。综上所述，本专利技术能够同时解决数据丢失和异常值干扰的问题。
附图说明
[0047]图1是本专利技术实施例提供的一种非线性系统鲁棒辨识方法的流程图之一；
[0048]图2是本专利技术实施例提供的Hammerstein OE系统的示意图；
[0049]图3是本专利技术实施例提供的一种非线性系统鲁棒辨识方法的流程图之二；
[0050]图4是本专利技术实施例提供的高斯噪声信噪比为20dB、10％异常值、10％数据丢失时本专利技术算法的参数估计示意图；
[0051]图5是本专利技术实施例提供的高斯噪声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非线性系统鲁棒辨识方法，其特征在于，包括：获取非线性系统，利于关键项分离技术将非线性系统表示为线性回归形式的系统模型；基于学生式t分布建立异常值干扰下所述系统模型的鲁棒辨识概率模型，并构建所述系统模型的参数集；将所述鲁棒辨识概率模型和参数集输入到构建好的基于广义期望最大化算法改进的辨识模型中，得到所述非线性系统中模型参数和噪声参数的估计公式，根据所述估计公式计算得到模型参数和噪声参数，完成辨识。2.根据权利要求1所述的一种非线性系统鲁棒辨识方法，其特征在于，获取非线性系统，利于关键项分离技术将非线性系统表示为线性回归形式的系统模型，包括：获取如下非线性系统：获取如下非线性系统：获取如下非线性系统：获取如下非线性系统：其中，u
k
表示系统输入，y
k
表示系统输出，s
k
表示不可分离的中间信号，e
k
表示输出测量噪声，A(z)和B(z)是单位后移算子z
‑1的多项式，z
‑1y
k
＝y
k
‑1，f
i
表示系统非线性模块中由未知参数组成的幂函数多项式，c
i
表示非线性函数对应的未知参数，和表示系统线性模块中传递函数对应的参数，n
c
表示非线性函数的阶次，n
a
和n
b
是A(z)和B(z)的已知阶次；通过关键项分离技术，将中间变量r
k
定义如下：将将上式中右侧的第一个变量s
k
作为单独的关键项，根据关键项分离原则将非线性模块s
k
输出代入上式，得出：将上述模型改写为线性回归形式，定义参数向量θ和信息向量为：
其中，表示实数集，T表示矩阵转置运算符；得到最终的线性回归形式的系统模型为：其中，是所需辨识的模型参数。3.根据权利要求2所述的一种非线性系统...

【专利技术属性】
技术研发人员：刘鑫，
申请(专利权)人：河海大学，
类型：发明
国别省市：