CN105786761A - 输入非线性有色噪声系统的极大似然牛顿迭代辨识算法 - Google Patents
输入非线性有色噪声系统的极大似然牛顿迭代辨识算法 Download PDFInfo
- Publication number
- CN105786761A CN105786761A CN201610178049.5A CN201610178049A CN105786761A CN 105786761 A CN105786761 A CN 105786761A CN 201610178049 A CN201610178049 A CN 201610178049A CN 105786761 A CN105786761 A CN 105786761A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- phi
- value
- parameter
- maximum likelihood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种输入非线性有色噪声系统的极大似然牛顿迭代辨识算法,包括构建出极大似然牛顿迭代估计算法流程、根据极大似然牛顿迭代估计算法流程构建出极大似然牛顿迭代估计算法,本发明方法简便、可靠。
Description
技术领域
本发明涉及一种输入非线性有色噪声系统的极大似然牛顿迭代辨识算法。
背景技术
非线性特性在实际工业过程处处存在,非线性系统的建模和参数辨识受到广泛关注。输入非线性系统是一类典型的块结构非线性系统,它的结构由一个无记忆非线性环节串联一个线性动态环节构成。输入非线性系统是一类极其典型的非线性系统,广泛存在于石油、热工、化工等流程工业过程中,例如执行机构的饱和非线性特性:阀的开度与流量的关系等。
输入非线性有色噪声系统指系统中的噪声的参数辨识由于涉及到动态线性过程的未知参数、静态非线性过程的未知参数、以及噪声模型的未知参数,因此辨识存在很大困难。目前输入非线性有色系统的辨识方法可以大致分为两类:参数模型方法和非参数模型方法,其中非参数模型方法认为系统的线性环节是有限脉冲响应模型。
极大似然辨识方法是一类非常重要的参数辨识方法,与最小二乘法不同,它的基本思想是以观测数据和待辨识的未知参数为自变量构造似然函数,参数的估计值通过极大化这个似然函数获得。由于似然函数往往是非线性函数,必须采用非线性优化方法来求解。
牛顿优化方法是一种有用的非线性优化方法,其基本思想是利用目标函数的二次展开,并将其极小化。牛顿优化方法在求解非线性方程及非线性优化等方面具有重要作用。迭代辨识技术采用一批数据来获得参数估计,能够充分利用数据信息,辨识精度高,适用于辨识模型信息向量中含有未知项的辨识。
发明内容
本发明的目的在于提供一种方法简便、可靠的输入非线性有色噪声系统的极大似然牛顿迭代辨识算法。
本发明的技术解决方案是:
一种输入非线性有色噪声系统的极大似然牛顿迭代辨识算法,其特征是:包括下列步骤:
(1)构建出极大似然牛顿迭代估计算法流程:
第一步:启动算法对t进行初始化,初始值为1,并选取L值;
第二步:采集{u(i),y(i):i=(t-1)L+1,…,tL};
第三步:对迭代次数k初始化,初始值为1;
第四步:构造
第五步:刷新所估参数
第六步:计算和并构造
第七步:执行判断语句若不满足判断语句则k值加1,并返回至第四步继续算法,若满足判断语句则执行第八步;
第八步:得到估计值
第九步:t值加1,重复上述步骤;
上述各符号的含义:
噪声项:w(t);零均值、方差为σ2且满足高斯分布的白噪声:υ(t);参数向量:Θ和θ;信息向量:φ(t),和ψ(t);滤波信息向量:φf,k(t);参数向量Θ和θ在第k次迭代时刻的参数估计:和信息向量φ(t),和ψ(t)在第k次迭代时刻的估计值:和
(2)根据极大似然牛顿迭代估计算法流程构建出极大似然牛顿迭代估计算法如下:
上述算法符号的含义:
w(t)作为噪声项;
υ(t)是一个零均值、方差为σ2且满足高斯分布的白噪声;
Θ和θ作为参数向量;
φ(t),和ψ(t)作为信息向量;
φf,k(t)作为滤波信息向量;
和分别作为参数向量Θ和θ在第k次迭代时刻的参数估计;
和分别作为信息向量φ(t),和ψ(t)在第k次迭代时刻的估计值;
上述算法的具体步骤:
1)令t=1,设置初始值p0=106,设置一个极小的值ε>0,令数据长度为L;
2)收集输入-输出数据{u(i),y(i):i=(t-1)L+1,…,tL};
3)令迭代次数为k=1,并设置
4)分别通过式(35)、(36)计算和并分别通过式(34)、(29)、(28)构造以及
5)通过式(27)刷新参数估计
6)分别通过式(32)、(33)构造和再分别通过式(31)、(30)计算和
7)通过式(38)构造在通过式(37)计算
8)将与进行比较,如果那么k值加1,并返回步骤4)重新开始执行算法,反之,则得到第k次迭代时刻的估计并令
9)t值增加1,并重述上述算法。
本发明方法简便、可靠、便于应用。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是极大似然牛顿迭代估计算法流程图(ml-ni流程图)。
具体实施方式
一种输入非线性有色噪声系统的极大似然牛顿迭代辨识算法,包括下列步骤:
(1)构建出极大似然牛顿迭代估计算法流程:
第一步:启动算法对t进行初始化,初始值为1,并选取L值;
第二步:采集{u(i),y(i):i=(t-1)L+1,…,tL};
第三步:对迭代次数k初始化,初始值为1;
第四步:构造
第五步:刷新所估参数
第六步:计算和并构造
第七步:执行判断语句若不满足判断语句则k值加1,并返回至第四步继续算法,若满足判断语句则执行第八步;
第八步:得到估计值
第九步:t值加1,重复上述步骤;
上述各符号的含义:
噪声项:w(t);零均值、方差为σ2且满足高斯分布的白噪声:υ(t);参数向量:Θ和θ;信息向量:φ(t),和ψ(t);滤波信息向量:φf,k(t);参数向量Θ和θ在第k次迭代时刻的参数估计:和信息向量φ(t),和ψ(t)在第k次迭代时刻的估计值:和
(2)根据极大似然牛顿迭代估计算法流程构建出极大似然牛顿迭代估计算法如下:
上述算法符号的含义:
w(t)作为噪声项;
υ(t)是一个零均值、方差为σ2且满足高斯分布的白噪声;
Θ和θ作为参数向量;
φ(t),和ψ(t)作为信息向量;
φf,k(t)作为滤波信息向量;
和分别作为参数向量Θ和θ在第k次迭代时刻的参数估计;
和分别作为信息向量φ(t),和ψ(t)在第k次迭代时刻的估计值;
上述算法的具体步骤:
4)令t=1,设置初始值p0=106,设置一个极小的值ε>0,令数据长度为L;
5)收集输入-输出数据{u(i),y(i):i=(t-1)L+1,…,tL};
6)令迭代次数为k=1,并设置
4)分别通过式(35)、(36)计算和并分别通过式(34)、(29)、(28)构造以及
5)通过式(27)刷新参数估计
6)分别通过式(32)、(33)构造和再分别通过式(31)、(30)计算和
7)通过式(38)构造在通过式(37)计算
8)将与进行比较,如果那么k值加1,并返回步骤4)重新开始执行算法,反之,则得到第k次迭代时刻的估计并令
9)t值增加1,并重述上述算法。
Claims (1)
1.一种输入非线性有色噪声系统的极大似然牛顿迭代辨识算法,其特征是:包括下列步骤:
(1)构建出极大似然牛顿迭代估计算法流程:
第一步:启动算法对t进行初始化,初始值为1,并选取L值;
第二步:采集{u(i),y(i):i=(t-1)L+1,…,tL};
第三步:对迭代次数k初始化,初始值为1;
第四步:构造
第五步:刷新所估参数
第六步:计算和并构造
第七步:执行判断语句若不满足判断语句则k值加1,并返回至第四步继续算法,若满足判断语句则执行第八步;
第八步:得到估计值
第九步:t值加1,重复上述步骤;
上述各符号的含义:
噪声项:ω(t);零均值、方差为σ2且满足高斯分布的白噪声:ν(t);参数向量:Θ和θ;信息向量:φ(t),和ψ(t);滤波信息向量:φf,k参数向量Θ和θ在第k次迭代时刻的参数估计:和信息向量φ(t)和ψ(t)在第k次迭代时刻的估计值:
(2)根据极大似然牛顿迭代估计算法流程构建出极大似然牛顿迭代估计算法如下:
上述算法符号的含义:
w(t)作为噪声项;
u(t)是一个零均值、方差为σ2且满足高斯分布的白噪声;
Θ和θ作为参数向量;
φ(t),和ψ(t)作为信息向量;
φf,k(t)作为滤波信息向量;
和分别作为参数向量Θ和θ在第k次迭代时刻的参数估计;
和分别作为信息向量φ(t),和ψ(t)在第k次迭代时刻的估计值;
上述算法的具体步骤:
1)令t=1,设置初始值p0=106设置一个极小的值ε>0令数据长度为L;
2)收集输入-输出数据{u(i),y(i):i=(t-1)L+1,…,tL};
3)令迭代次数为k=1,并设置
4)分别通过式(35)、(36)计算和并分别通过式(34)、(29)、(28)构造以及
5)通过式(27)刷新参数估计
6)分别通过式(32)、(33)构造和再分别通过式(31)、(30)计算和
7)通过式(38)构造在通过式(37)计算
8)将与进行比较,如果那么k值加1,并返回步骤4)重新开始执行算法,反之,则得到第k次迭代时刻的估计并令
9)t值增加1,并重述上述算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610178049.5A CN105786761A (zh) | 2016-03-25 | 2016-03-25 | 输入非线性有色噪声系统的极大似然牛顿迭代辨识算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610178049.5A CN105786761A (zh) | 2016-03-25 | 2016-03-25 | 输入非线性有色噪声系统的极大似然牛顿迭代辨识算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105786761A true CN105786761A (zh) | 2016-07-20 |
Family
ID=56390897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610178049.5A Pending CN105786761A (zh) | 2016-03-25 | 2016-03-25 | 输入非线性有色噪声系统的极大似然牛顿迭代辨识算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105786761A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186497A (zh) * | 2018-10-30 | 2019-01-11 | 北京理工大学 | 牛顿迭代的数字莫尔移相干涉法中频谱混叠噪声去除方法 |
CN109767779A (zh) * | 2018-11-17 | 2019-05-17 | 沈阳工业大学 | 基于最小误差熵的成比例仿射投影方法 |
CN113868996A (zh) * | 2021-10-19 | 2021-12-31 | 青岛科技大学 | 基于递阶牛顿辨识算法的光伏太阳能模型参数估计方法 |
-
2016
- 2016-03-25 CN CN201610178049.5A patent/CN105786761A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186497A (zh) * | 2018-10-30 | 2019-01-11 | 北京理工大学 | 牛顿迭代的数字莫尔移相干涉法中频谱混叠噪声去除方法 |
CN109186497B (zh) * | 2018-10-30 | 2019-11-26 | 北京理工大学 | 牛顿迭代的数字莫尔移相干涉法中频谱混叠噪声去除方法 |
CN109767779A (zh) * | 2018-11-17 | 2019-05-17 | 沈阳工业大学 | 基于最小误差熵的成比例仿射投影方法 |
CN113868996A (zh) * | 2021-10-19 | 2021-12-31 | 青岛科技大学 | 基于递阶牛顿辨识算法的光伏太阳能模型参数估计方法 |
CN113868996B (zh) * | 2021-10-19 | 2024-05-07 | 青岛科技大学 | 基于递阶牛顿辨识算法的光伏太阳能模型参数估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sweilam et al. | Crank-Nicolson finite difference method for solving time-fractional diffusion equation | |
Chicharro et al. | Complex dynamics of derivative-free methods for nonlinear equations | |
CN105786761A (zh) | 输入非线性有色噪声系统的极大似然牛顿迭代辨识算法 | |
Lei | On the regularity of positive solutions of a class of Choquard type equations | |
Marzban et al. | Solution of time-varying delay systems by hybrid functions | |
Ghorbani et al. | A novel multi-hybrid model for estimating optimal viscosity correlations of Iranian crude oil | |
Pirnapasov et al. | On a higher order multi-term time-fractional partial differential equation involving Caputo-Fabrizio derivative | |
Yousefi et al. | Legendre multiwavelet collocation method for solving the linear fractional time delay systems | |
Kabulov et al. | Algorithmic method of the conversion functioning tables (FT) for control industrial systems | |
CN103678580A (zh) | 一种用于文本分类的多任务机器学习方法及其装置 | |
CN105868158A (zh) | 哈默斯坦非线性系统的极大似然牛顿递推参数估计算法 | |
CN105868163A (zh) | 多变量差分方程模型的极大似然递推最小二乘辨识算法 | |
Iyiola et al. | An analytical approach to time-fractional Harry Dym equation | |
Eissa | Mean-square stability of two classes of theta milstein methods for nonlinear stochastic differential equations | |
Leitgöb | Modeling interactions in count data regression principles and implementation in Stata | |
Razzaghi | Optimization of time delay systems by hybrid functions | |
Dorociaková | Some nonoscillatory properties of third order differential equations of neutral type | |
García Planas et al. | Sufficient conditions for controllability and observability of serial and parallel concatenated linear systems | |
Sivaraman | Bicircular signed-graphic matroids | |
Calvo et al. | Exponentially fitted fifth-order two-step peer explicit methods | |
Gholamtabar et al. | Numerical solutions of second-order differential equations by Adam Bashforth method | |
Rosini et al. | The Riemann Problem | |
Andradóttir et al. | Increasing the frequency of regeneration for Markov processes | |
Shang et al. | Homotopy perturbation method based on Green function for solving non-linear singular boundary value problems | |
CN103838147A (zh) | 用于分布式风电系统的双线性控制模型解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160720 |
|
RJ01 | Rejection of invention patent application after publication |