基于混合信号的神经模糊Wiener-Hammerstein系统辨识

TP273%TP18; 提出一种基于混合信号的神经模糊Wiener-Hammerstein(W-H)系统分离辨识策略.W-H系统由两个线性动态模块和一个非线性静态模块组成.静态非线性模块利用神经模糊网络(NFN)建模,两个线性动态模块分别利用自回归外生(ARX)模型和自回归(AR)模型建模.当系统输入为高斯信号时,利用相关分析技术解耦两个线性动态模块的辨识与非线性模块辨识.首先,基于高斯信号的输入和输出,利用相关分析技术辨识输入线性模块和输出线性模块,解决了W-H系统中间变量信息无法测量的问题.然后,采用零极点匹配方法分离两个线性模块的参数.此外,基于随机信号的输入和输出,利用递归最小二乘法识...

Full description

Saved in:
Bibliographic Details
Published in信息与电子工程前沿（英文版） Vol. 25; no. 6; pp. 856 - 后插15
Main Authors 李峰, 杨浩, 曹晴峰
Format Journal Article
LanguageChinese
Published 江苏理工学院电气信息工程学院,中国 常州市,213001%扬州大学电气与能源动力工程学院,中国 扬州市,225127 2024
Subjects
混合信号
Correlation analysis technique
Separation identification
神经模糊网络
Wiener-Hammerstein system
分离辨识
Hybrid signals
Wiener-Hammerstein系统
相关分析技术
Neural fuzzy network
Online AccessGet full text

Cover

More Information
Summary:TP273%TP18; 提出一种基于混合信号的神经模糊Wiener-Hammerstein(W-H)系统分离辨识策略.W-H系统由两个线性动态模块和一个非线性静态模块组成.静态非线性模块利用神经模糊网络(NFN)建模,两个线性动态模块分别利用自回归外生(ARX)模型和自回归(AR)模型建模.当系统输入为高斯信号时,利用相关分析技术解耦两个线性动态模块的辨识与非线性模块辨识.首先,基于高斯信号的输入和输出,利用相关分析技术辨识输入线性模块和输出线性模块,解决了W-H系统中间变量信息无法测量的问题.然后,采用零极点匹配方法分离两个线性模块的参数.此外,基于随机信号的输入和输出,利用递归最小二乘法识别非线性模块,避免输出噪声的影响.数值仿真和非线性过程仿真证明了所提辨识技术的可行性.仿真结果表明,所提策略可以获得比现有辨识算法更高的辨识精度.
ISSN:2095-9184
DOI:10.1631/FITEE.2300058