【开题报告】非线性Hammerstein模型的辨识

基于Hammerstein模型的执行机构非线性参数辨识陈艺文;刘鑫屏;董子健【期刊名称】《华北电力大学学报(自然科学版)》【年(卷),期】2024(51)1【摘要】针对火电机组中流过执行机构的介质流量难以测量,导致执行机构的非线性特性无法直接求取这一问题,提出用构建Hammerstein模型代替直接测量介质流量的间接测量法,进而求取执行机构的非线性特性,然后分别使用粒子群算法(PSO)和樽海鞘群算法(SSA),辨识所构建的Hammerstein模型的参数。

另外,针对PSO 算法和SSA算法辨识Hammerstein模型参数精度不高以及收敛速度慢的问题,提出了一种改进的粒子群-樽海鞘群的混合算法(IPS)。

最后基于烟道挡板的指令数据与再热器出口温度数据对模型进行了仿真。

仿真结果表明,提出的IPS算法能改善PSO算法的过早收敛问题,提高SSA算法的辨识速度。

因此通过建立Hammerstein模型能够解决介质流量难以测量的执行机构非线性参数辨识问题,并且提出的IPS算法能准确且快速的辨识Hammerstein模型的各项参数。

【总页数】8页(P135-142)【作者】陈艺文;刘鑫屏;董子健【作者单位】华北电力大学控制与计算机工程学院【正文语种】中文【中图分类】TP273【相关文献】1.基于Hammerstein模型的非线性气动弹性系统辨识2.伺服系统Hammerstein 非线性模型及参数辨识方法研究3.基于Hammerstein模型描述的非线性系统辨识新方法4.基于Hammerstein模型的非线性系统辨识方法研究5.基于Hammerstein模型的非线性系统参数辨识算法研究因版权原因，仅展示原文概要，查看原文内容请购买。

一种辨识Wiener-Hammerstein模型的新方法
徐小平;钱富才;王峰
【期刊名称】《控制与决策》
【年(卷),期】2008(23)8
【摘要】针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.
【总页数】6页(P929-934)
【关键词】辨识;混合;粒子群优化;Wiener-Hammerstein模型
【作者】徐小平;钱富才;王峰
【作者单位】西安理工大学自动化与信息工程学院,西安710048;西安交通大学理学院,西安710049
【正文语种】中文
【中图分类】TP27
【相关文献】
1.一种用于模型结构辨识的新方法 [J], 吴晓燕;周延延;张双选
2.一种P ol SAR图像统计模型辨识新方法 [J], 崔浩贵;刘涛;单鸿昌;蒋宇中;高俊
3.一种辨识 Hammerstein 模型的新方法 [J], 李文江;林思建;王璇
4.基于Wiener-Hammerstein模型的一种系统辨识方法 [J], 白克强
5.一种基于数据挖掘的模糊模型辨识及参数调整新方法 [J], 张立权;邵诚
因版权原因，仅展示原文概要，查看原文内容请购买。

辨识Hammerstein模型的两步法
黄正良; 万百五
【期刊名称】《《控制理论与应用》》
【年(卷),期】1995(012)001
【摘要】本文利用稳态和动态信息提出了一种辨识Ｈａｍｍｅｒｓｔｅｉｎ模型的新方法─—两步法．该方法利用稳态信息获取非线性增益的强一致性估计；利用动态信息获取线性子系统未知参数的强一致性估计．该方法具有计算简单和辨识精度高等优点．最后的仿真结果说明了该方法的有效性和实用性．
【总页数】6页(P34-39)
【作者】黄正良; 万百五
【作者单位】不详
【正文语种】中文
【中图分类】TP271
【相关文献】
1.基于函数连接神经网络的传感器Hammerstein模型辨识研究 [J], 刘滔;韩华亭;马婧;雷超
2.基于伪Hammerstein模型的速率依赖迟滞辨识 [J], 邓亮;杨平;程启明;杨旭红
3.含有色噪声的神经模糊Hammerstein模型分离辨识 [J], 方甜莲;贾立
4.针对Hammerstein模型的典型系统辨识方法 [J], 翟江涛;赫赤;姚志军;戴跃伟
5.基于Hammerstein模型的双闭环直流调速系统建模及参数辨识 [J], 李翠翠
因版权原因，仅展示原文概要，查看原文内容请购买。

Hammerstein 非线性模型的基于PSO 的参数辨识系统的本质就是将参数的辨识问题转换为参数空间优化问题，对整个参数域进行搜索并最终获得最优的参数估计。

本课题，我们需要的参数辨识模型具体描述如下所示：一般地， Hammerstein 模型的差分方程描述为：11()()()()d A q y k q B q x k ---=其中：1-q 为滞后算子；)(k x 为非线性增益环节的增益，)(k y 为线性子系统的输出； nn q a q a q a q A -2-21-11-++++1=)(mm q b q b q b q B -2-21-11-++++1=)(均为滞后算子的1-q 的多项式。

回到你的那个论文中，论文中，我们的Hammerstein 模型为11()()()()d A q y k q B q x k ---=即没有考虑噪声干扰的部分，这里，我们的设计也是先不考虑随机噪声的干扰，在完成PSO 识辨之后，通过加入噪声来分析算法的性能。

本课题，输入信号x(k)满足如下的式子：1111111221122()()0()()0(())()()0(())()()0(())()()0()(())pZ e u t Z b aand u t orZ b a u t Z b aand u t p u t a b e b a u t Z b aand u t p u t a b e Z b a u t b aand u t p u t a b e b a u t Z b aand u t v t p u t a b e Z b a +>++∆>+-<<++∆<--++≤≤++∆>-++-+≤≤-+∆>+-+-≤≤+-∆<=+++--2222212()()0()()0()()0()()0()()00()()u t b aand u t pZ e u t Z b aand u t orZ b a u t Z b aand u t e b a u t b aand u t e b a u t b aand u t b a u t b aand u t ⎧⎫⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪≤≤--∆<⎨⎬⎪⎪+<--∆<--<<-+∆>⎪⎪-<<+∆>⎪⎪⎪⎪--<<-+∆<⎪⎪⎪⎪-+≤≤-∀∆⎩⎭这里，将V 改写为如下的式子：12311221122()()()()()()()()()pr pr v t pu t f t paf t pbf t pZ h t pZ h t e h t e h t =--++++其中：12311221122()()()()()()()()()pr pr v t pu t f t paf t pbf t pZ h t pZ h t e h t e h t =--++++11212()[(1([()()][(())]))(1([()()][()()]))](1)[(1([()()][()()]))(1([()()][()()]))]f t h u t Z b a h b a u t h Z b a u t h u t b a h u t Z b a h b a u t h Z b a u t h u t b a αα=--++++-+--+-+--++---+++--+----+--+21212()[(1([()()][(())]))(1([()()][()()]))](1)[(1([()()][()()]))(1([()()][()()]))]f t h u t Z b a h b a u t h Z b a u t h u t b a h u t Z b a h b a u t h Z b a u t h u t b a αα=--++++-+--+-+--+----+++--+----+--+31212()[(1([()()][(())]))(1([()()][()()]))](1)[(1([()()][()()]))(1([()()][()()]))]f t h u t Z b a h b a u t h Z b a u t h u t b a h u t Z b a h b a u t h Z b a u t h u t b a αα=--++++----+-+--++---+++-------+--+111222()[()()](1)[()()]()[()()](1)[()()]h t h u t Z b a h u t Z b a h t h Z b a u t h Z b a u t αααα=-+++--+-=-+-+----12()[()()]()[()()]pr pr h t h u t b a h t h b a u t =--=-+-本系统，需要识辨的系统为：121()(1)(2)()(1)y t a y t a y t v t b v t =----++-1212()(1)0.15(2)0.2(1)0.35(2)2,0.5,1, 1.2,1, 1.5, 1.2y t v t v t y t y t p a b Z Z e e =-+-+---=====-==-需要辨识的参数1212112[,,,,,,,,,]p pa pb pZ pZ e e b a a下面为代码的仿真说明部分：根据论文中的理论，我们首先需要将Hammerstein非线性模型进行分离，得到8个不同的模型，逐个对其参数进行识辨。

基于组合式信号的Hammerstein OE模型辨识引言随着工业自动化和智能化的不断发展，对于系统建模和控制算法的需求也在不断增加。

在系统辨识领域，Hammerstein模型是一种常用的非线性系统建模方法，它将系统分为非线性静态部分和线性动态部分，并将二者组合起来进行建模。

而对于Hammerstein模型的参数辨识，则是实际应用中的一个重要问题。

本文将讨论基于组合式信号的Hammerstein OE（Output Error）模型的辨识方法，旨在为相关领域的研究者提供参考和借鉴。

一、Hammerstein模型简介Hammerstein模型是一种将非线性静态部分和线性动态部分组合在一起进行建模的系统模型。

它通常由两部分组成：非线性静态函数和线性动态系统。

1. 非线性静态部分非线性静态部分通常由一个非线性函数表示，其输出只与输入相关，而与时间无关。

非线性部分可以是各种不同的函数，如幂函数、指数函数、对数函数等，常用的非线性函数包括Sigmoid函数、Tanh函数等。

线性动态部分通常由差分方程或传递函数表示，描述系统的动态响应。

Hammerstein模型的建模和辨识可以用于描述许多实际系统，如电机系统、水泵系统、飞机系统等。

在实际应用中，对于Hammerstein模型的参数辨识是非常重要的，因为只有辨识到准确的模型参数，才能够进行有效的控制和优化。

在Hammerstein模型的辨识过程中，需要收集系统的输入输出数据，并通过合适的辨识算法来估计模型的参数。

而对于Hammerstein模型的辨识，OE模型是一种常用的形式，其中O代表输出，E代表误差。

1. 组合式信号的设计组合式信号通常由多个不同频率、不同幅值的正弦波信号组合而成，可以采用正弦波叠加的方式进行设计。

通过合理选择正弦波信号的频率和幅值，可以使得系统在不同频率处产生较大的输出响应，从而更好地估计系统的频率响应特性。

2. 数据采集使用设计好的组合式信号对待辨识系统进行激励，并采集系统的输入输出数据。

(LSE —SVD)，仅需假设输入为持续激励，并可获得在有噪声情况下系统的有效辨识，但这种算法只在被控对象可无误差的分解为非线性和线性环节且非线性部分的基先验已知时，且最小二乘所得参数矩阵的秩为l ，才能保证辨识误差在额定范围内，否则辨识误差将受到参数矩阵其他特征值干扰，无法保证辨识落入允许范围；第四类是参]5[数过度化法，是使Hamerstein 系统过度参数化，从而在未知参数下过度参数化的系]7,6[统就线性化了，然后就可以使用线性估计算法进行辨识，这种方法的难点在于所得到的线性系统维数可能很大，因此系统的收敛性和鲁棒性就可能成问题；第五类子空间辨识法，通常适用于多输入、多输出的非线性系统的辨识。

]9,8[在近年来的研究中，基于群集智能方法的发展，越来越多演化计算技术被应用到复杂系统辨识当中。

如蚁群算法（ACO ），粒子群优化（PSO ）算法和细菌觅食（BFO ）优化算法等在Hammerstein 模型的辨识中得到了广泛的发展和应用，其理论也在不断地改进和完善。

下面简要介绍下粒子群优化（PSO ）算法和细菌觅食（BFO ）优化算法。

1. 粒子群优化PSO 算法1995年，Kennedy 和Eberhar 提出一种较为新颖的优化算法—— 粒子群优化算]11,10[法(ParticleSwarm Optimization ，PSO)。

该算法与蚁群算法(AntColony Optimization ，ACO)相似，也是一种基于群体智能(Swarm Intelligence ，SI)的优化算法，即模拟鸟群觅食的过程，而其功能与遗传算法(Genetic Algorithm ，GA)非常相似。

PSO 优化算法起源于对简单社会系统的模拟，PSO 算法是一种有效的解决优化问题的群集智能算法，它的突出特点是算法中需要选择的参数少，程序实现简单，并在种群数量、寻优速度等方面较其他进化算法具有一定的优势，尤其是在高噪信比情况下，也收到较满意的结果。