针对含缺失数据的变量带误差(EIV)系统,直接利用协方差匹配(CM)算法进行辨识的精度有限,为此提出一种协方差匹配迭代(covariance matching based iterative,CMI)算法。首先基于不完整数据集,利用CM算法获得模型参数的初始估计,然后采用...
详细信息
针对含缺失数据的变量带误差(EIV)系统,直接利用协方差匹配(CM)算法进行辨识的精度有限,为此提出一种协方差匹配迭代(covariance matching based iterative,CMI)算法。首先基于不完整数据集,利用CM算法获得模型参数的初始估计,然后采用交互估计理论,利用获得的参数计算缺失输出数据的估计,重构得到完整的数据集后再进一步利用CM算法更新参数估计。两者执行了递阶计算过程,通过迭代辨识逐步提高参数估计精度。仿真结果表明,CMI算法的参数估计误差在输出数据缺失率达到60%时仍然能够保持在2%以下,且随输入端和输出端噪信比的变化速率仅为CM算法的16.8%和10.8%,验证了所提算法具有较高的辨识精度和良好的鲁棒性。
对于含时滞的双率采样EIV系统,由于含噪输入输出数据是双率采样的且包含未知时滞,导致其参数辨识非常困难。为此,本文首先利用多项式变换技术和冗余规则,将EIV系统转化为可直接应用双率采样数据进行辨识的模型,提出基于阈值的偏差补偿最小二乘(Bias Compensation Least Squares based Threshold,BCLS-TH)算法。该算法的基本思想是先利用LS算法辨识所有参数,然后利用噪声方差的估计值补偿LS估计中噪声引起的偏差,最后根据得到的无偏参数估计和给定的阈值判别出真实参数并得到时滞的估计。考虑到噪声水平较高时阈值选取对BCLS-TH辨识算法的性能存在较大影响,通过引入正交匹配追踪算法得到真实参数和时滞的估计,进一步提出了基于正交匹配追踪的偏差补偿最小二乘(Bias Compensation Least Squares based orthogonal matching pursuit,BCLS-OMP)算法。仿真例子表明了两种算法的有效性,且在数据量较小时,BCLS-OMP算法的时滞辨识的成功率更大,能得到更高的参数估计精度。
暂无评论