-
基于动态模块的伺服系统联合仿真与参数辨识算法研究
2021-03-18 15:54:40基于动态模块的伺服系统联合仿真与参数辨识算法研究 -
基于prony算法的参数辨识算法的仿真——简化版
2021-03-31 22:09:23基于prony算法的参数辨识算法的仿真的详细版欢迎订阅本博: https://blog.csdn.net/ccsss22/article/details/115358232 1.问题描述: 建立如下被测信号: 被测信号中包含四个振荡模态,在数据窗宽度同样为10s...基于prony算法的参数辨识算法的仿真的详细版欢迎订阅本博:
https://blog.csdn.net/ccsss22/article/details/115358232
1.问题描述:
被测信号中包含四个振荡模态,在数据窗宽度同样为10s的前提下,利用不同的采样频率做普罗尼计算。
2.部分程序:
function X = func_Prony(Signal,dt);s = Signal;
L = length(s(1:length(Signal)));
Order = ceil(L/2);
R = [];
K1 = 0;
K2 = 0;%扩展矩阵
while K1 <= Order
K2 = 1;
Re = [];
while K2 <= Order
u = Order - K2 +1;
v = L - K2;
m = Order - K1 +1;
l = L - K1;
r = sum(s(u:v).*conj(s(m:l)));
Re = [Re,r];
K2 = K2 + 1;
end
R = [R,Re'];
K1 = K1 + 1;
end%计算阶数
Order = func_Order(R);%计算相关参数
K2 = Order-1;
Re = R(2:end,2:K2+1);
b = R(:,1);
b = b(2:end);
a = pinv(Re)*(-b);R1 = R(1,:);
R1 = R1(1:K2+1);
a1 = [1 a'];Ep = sum(R1.*a1);
P = [1 a'];
z = roots(P);%估计序列X
ks = 1:K2;
X(ks) = s(ks);for Order = K2+1 : L
Lij = 1:K2;
X(Order) = sum(-a'.*s(Order-Lij));
Order = Order+1;
endZh = [];
for mm = 0:L-1
Zh = [Zh,z.^mm];
endZ = Zh';
Z = conj(Z);
Zhh = Z';
b = (Zhh*Z)^(-1)*Zhh*X';
%最后得到的四个参数值
A = abs(b)
f = angle(z)/2/pi/0.001
a = log(abs(z))/dt
theta = angle(b)/2/pi/dt
3.仿真结论:
注意,这里论文中你所给的那个公式,貌似有点小错误,这里我们使用了两组公式进行计算,一组是你所提供的公式,一组是我们给的测试数据。仿真结果如下所示:
A-27-6
-
基于Matlab的岩石蠕变模型参数辨识算法设计
2020-06-17 04:57:41以M-K(伯格斯)蠕变模型为例,给出蠕变模型参数辨识方法,并编写Matlab算法函数通过COM组件从而剥离出程序,借助VB环境下编制面向对象的可视化计算软件。结果表明,该软件用于岩石蠕变模型参数辨识的计算过程同样有较好的... -
基于期望最大化算法和求容积卡尔曼平滑器的气动参数辨识算法
2021-03-13 12:02:25针对初值和噪声统计特性未知情形下的飞行器系统辨识的问题,提出了基于期望最大化( expectation maximization,EM) 和求容积卡尔曼平滑器( cubature Kalman smoother,CKS) 的辨识算法。该算法用期望最大化算法对... -
论文研究-Hammerstein-Wiener系统的递推贝叶斯参数辨识算法.pdf
2019-07-22 22:57:07为了辨识一类非线性Hammerstein-Wiener系统,基于递推贝叶斯算法和奇异值分解,提出了一种两阶段在线辨识算法。该算法首先利用递推贝叶斯算法估计乘积项参数,然后利用奇异值分解得到待估计参数。仿真结果表明,所提... -
基于LCMV的参数辨识算法
2020-10-16 16:39:40这里的思想主要是广义旁瓣相消器是LCMV的一种等效的...一:一个是采用GSC算法进行降序之后,获得的降秩性能更优,具体可看GSC的相关理论; 二:第二是,这里采用Wq补偿的方式,在实际中,由于直接使用W降秩矩阵的...这里的思想主要是广义旁瓣相消器是LCMV的一种等效的结构。其主要涉及到的公式有:
这个降秩矩阵S的计算公式,和原论文相同。
首先介绍一下,为什么性能会提高,
这个,有的时候也说不准,这么做一定会提示性能,我们多半都是在理论上说得通的前提下,通过仿真去分析性能,然后来完善理论,这里我弄完这个部分之后,提升性能的原因有二:
一:一个是采用GSC算法进行降序之后,获得的降秩性能更优,具体可看GSC的相关理论;
二:第二是,这里采用Wq补偿的方式,在实际中,由于直接使用W降秩矩阵的时候,由于迭代得到的值,肯定会存在迭代步进的设置而导致最后迭代误差的影响,那么这里,通过Wq进行补偿,会在一定程度上弥补这个缺陷。
我们通过仿真可知,最后的误码率性能提升结果如下所示:
对于同样的误码率值,大概提升了0.3db,
对于同样的误码率值,大概提升了0.3db,
另外当SNR<0的时候,两个性能比较接近。但是放大之后仔细看,改进后的效果还是有略微的提升。
-
论文研究-协方差重置的两阶段递推贝叶斯参数辨识算法.pdf
2019-09-08 04:36:08为了在有色噪声干扰情况下获得无偏估计,基于辅助模型思想和分解技术,提出了一种带协方差重置的两阶段递推贝叶斯辨识算法。该算法首先把待辨识模型分解成两个虚拟子模型,然后分别辨识;同时,把估计到的噪声方差... -
基于prony算法的参数辨识算法的仿真——详细版
2021-03-31 19:15:46所以最后,进行估计得到的参数为: 我们的程序设计中,按照论文中的说明进行设计,对于非连续时间的函数方程式: 普罗尼算法步骤: 3)特征解求取: 由式递推求解 2.部分程序: ...1.问题描述:
被测信号中包含四个振荡模态,在数据窗宽度同样为10s的前提下,利用不同的采样频率做普罗尼计算。根据公式的基本表达式:
所以最后,进行估计得到的参数为:
我们的程序设计中,按照论文中的说明进行设计,对于非连续时间的函数方程式:
普罗尼算法步骤:
3)特征解求取:
由式递推求解
2.部分程序:
function X = func_Prony(Signal,dt);
s = Signal;
L = length(s(1:length(Signal)));
Order = ceil(L/2);
R = [];
K1 = 0;
K2 = 0;%扩展矩阵
while K1 <= Order
K2 = 1;
Re = [];
while K2 <= Order
u = Order - K2 +1;
v = L - K2;
m = Order - K1 +1;
l = L - K1;
r = sum(s(u:v).*conj(s(m:l)));
Re = [Re,r];
K2 = K2 + 1;
end
R = [R,Re'];
K1 = K1 + 1;
end%计算阶数
Order = func_Order(R);%计算相关参数
K2 = Order-1;
Re = R(2:end,2:K2+1);
b = R(:,1);
b = b(2:end);
a = pinv(Re)*(-b);R1 = R(1,:);
R1 = R1(1:K2+1);
a1 = [1 a'];Ep = sum(R1.*a1);
P = [1 a'];
z = roots(P);%估计序列X
ks = 1:K2;
X(ks) = s(ks);for Order = K2+1 : L
Lij = 1:K2;
X(Order) = sum(-a'.*s(Order-Lij));
Order = Order+1;
endZh = [];
for mm = 0:L-1
Zh = [Zh,z.^mm];
endZ = Zh';
Z = conj(Z);
Zhh = Z';
b = (Zhh*Z)^(-1)*Zhh*X';
%最后得到的四个参数值
A = abs(b)
f = angle(z)/2/pi/0.001
a = log(abs(z))/dt
theta = angle(b)/2/pi/dt
3.仿真结论:
注意,这里论文中你所给的那个公式,貌似有点小错误,这里我们使用了两组公式进行计算,一组是你所提供的公式,一组是我们给的测试数据。
仿真结果如下所示:
注意,这里我们还用了自己的测试数据进行测试:
参数估计结果如下所示:
4.9379
4.9379
2.8537
2.8537
-15.0000
15.0000
-120.0000
120.0000
-0.0125
-0.0125
-0.0500
-0.0500
2.1250
-2.1250
0.7500
-0.7500
A-27-6
-
以豪斯霍尔德变换为基础的在线参数辨识算法
2018-04-15 19:51:10翻译文件,On-Line Parameter Identification Algorithms Based on Householder Transformation -
基于线性规划问题递推算法的L_∞参数辨识
2021-02-22 15:35:02针对传统的最小二乘辨识算法要求误差遵循零均值、同方差的正态分布等不足,提出了L∞参数辨识算法。首先将L∞参数辨识问题转化成增加约束条件的线性规划问题最优解的求解问题;然后为了删除辨识中的冗余数据并用于在线... -
速度环PI参数在线优化的在线惯性辨识算法
2021-03-24 09:40:16本文提出的惯性辨识算法采用固定阶数递归经验频域最优参数估计,以提高速度环性能。 为了获得更精确的惯性值,采用了负载扭矩观测器。 然后,在频域中推导了利用识别出的惯性和负载转矩对速度环PI参数进行优化的... -
频域子空间模态参数辨识的改进算法
2020-04-25 03:52:01针对频域子空间算法计算量大而受到的使用限制,提出了一种频域子空间模态参数辨识的计算方法。该方法对输入和输出的频域数据进行分段,再重新计算广义算子,构成新的状态方程,从而实现模态参数辨识。对该方法进行了仿真... -
基于Lemke优化算法的负荷静态模型参数辨识
2021-01-14 19:39:40通过对电力负荷元件进行静态故障模拟,在系统辨识原理的基础上,运用最优化理论的Lemke辨识算法,对实验故障数据进行负荷建模和参数辨识,并列出了日光灯、电风扇、空调及三者组合的静态特征参数。分析结果表明:由于电器... -
新型双粒子群算法的混沌系统参数辨识
2021-02-25 16:53:00新型双粒子群算法的混沌系统参数辨识 -
基于改进遗传算法的曲面拟合参数辨识
2020-02-14 04:09:56基于改进遗传算法的曲面拟合参数辨识,谷川,潘国荣,空间曲面拟合是一个难以解决的复杂强非线性问题。已有的曲面拟合方法在求解明确的曲面表达式方面尚显难有作为。从参数辨识的角度 -
基于混合优化算法的SLM负荷模型参数辨识
2020-02-07 22:55:32基于混合优化算法的SLM负荷模型参数辨识,顾晓文,鞠平,本文针对蚁群算法进行SLM(直接考虑配电网的综合负荷模型)参数辨识时收敛较慢的问题,提出了一种混合优化算法来加速辨识过程。讨论� -
有色噪声干扰系统的参数辨识递推算法
2009-08-27 08:29:52为了辨识受有色噪声干扰的系统参数, 提出一种递 推算法. -
粒子群算法振动方程参数辨识.rar
2019-09-05 21:12:45通过粒子群算法(PSO)可实现多自由度系统二阶动力学方程的参数辨识 -
基于改进遗传算法的Acrobot参数辨识问题研究
2020-01-18 12:35:42基于改进遗传算法的Acrobot参数辨识问题研究,刘东,程红太,本文讨论了Acrobot这一欠驱动机械系统的参数辨识问题。由于Acrobot具有很强的非线性特性,传统的辨识方法不能取得理想的结果。因此,� -
prony算法在谐波中的参数辨识
2015-12-09 16:27:03prony算法在谐波中的参数辨识,论文 作用应该有一定,对于学习prony算法的应该有作用! -
基于改进混沌优化算法的同步发电机参数辨识
2021-02-24 16:19:55基于改进混沌优化算法的同步发电机参数辨识 -
如何利用蚁群算法进行参数辨识
2020-12-05 14:55:32如何利用蚁群算法进行参数辨识,如何实现实际模型与可调模型之间的误差为0</p> -
基于果蝇优化算法的汽轮机调节系统参数辨识
2021-03-18 16:41:46基于果蝇优化算法的汽轮机调节系统参数辨识 -
基于头脑风暴优化算法的Wiener模型参数辨识
2021-01-13 03:38:34由于其结构的非线性,参数辨识无法直接得到解析解.为此,将Wiener模型的参数估计转化为带约束的非线性优化问题,以头脑风暴优化(BSO)算法并行搜索该问题的最优解,并以搜索过程中的反馈信息调整BSO算法的变异过程,以改进... -
多信息随机梯度学习辨识算法
2021-02-09 13:30:12针对重复时变随机系统, 提出沿时间轴... 本文在学习辨识算法中引入多新息的思想, 给出多新息随机梯度学习辨识方法, 并列出几种将递推算法和迭代学习算法结合的多新息学习策略. 通过仿真实例, 验证了所提算法的有效性. -
采用I-APSO算法的弛豫响应等效电路参数辨识
2021-03-16 22:20:26采用I-APSO算法的弛豫响应等效电路参数辨识 -
基于量子粒子群算法的混沌系统参数辨识.pdf
2018-12-26 10:13:16基于量子粒子群算法的混沌系统参数辨识.pdf 高清 -
基于改进遗传算法的非线性励磁系统参数辨识
2021-01-15 01:50:47将大变异遗传算法应用于非线性发电机励磁系统的参数辨识,利用其较强的全局寻优能力辨识出发电机励磁系统参数估计值。其原理为:当某一代中所有个体集中在一起时就以一个远大于通常变异概率的概率执行一次变异操作,... -
一种用于混沌系统参数辨识的对立狼群算法
2021-03-13 23:41:59因此,我们提出了一种新颖的,高效的对立狼群算法(OWPA),该算法具有良好的开发和探索平衡性,可以估计洛伦兹混沌系统的参数。 首先,提出了一种对立的初始种群产生方法,以增强全局收敛性。 其次,针对狼群算法... -
基于粒子群算法的非线性系统参数辨识.pptx
2020-02-24 00:04:368.12基于粒子群算法的非线性系统参数辨识; 8.12.1辨识非线性静态模型 ; 8.12.1辨识非线性静态模型 ; 8.12.1辨识非线性静态模型 ;8.12.1辨识非线性静态模型;8.12.1辨识非线性静态模型;8.12.1辨识非线性静态模型; 8.12...