1、毕业设计开题报告电气工程与自动化非线性HAMMERSTEIN模型的辨识一、选题的背景与意义系统辨识是是现代控制理论中的一个重要分支。通过辨识建立数学模型的目的是估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出的未来演变，以及控制器的设计。非线性系统辨识是系统辨识的一个重要的发展方向，一直是现代辨识领域中的一个主要课题，对其研究有十分重要的理论和实际意义。非线性问题的主要困难之一是一直缺乏描述各种非线性系统特性的统一的数学模型。为此，人们提出了多种类型的模型，如块联模型1、神经网络模型2、双线性模型3、非线性参数模型等等。HAMMERSTE
2、IN模型属于块联模型，由一个线性动态系统跟随一个非线性静态模块构成。自从NARENDRAXPBESTI,XII,确定粒子个体最优位置ENDENDFITNESSMAX,INDEXMAXPBESTIFFITNESSMAXFGBESTFGBESTFITNESSMAX得到全局最优适应值XNBESTXPBESTINDEX,得到全局最优适应值所对应的位置ENDFORI1N改变每一个粒子的速度和位置RAND1RAND1,1RAND2RAND1,1FAI12RAND1FAI22RAND2VDI,WVDI,FAI1XPBESTI,XII,FAI2XNBESTXII,速度更新IFVDIVDMAXI控制粒子速度范围
3、VDIVDMAXIELSEIFVDIVDMAXIVDIVDMAXIENDXII,XII,VDI,改变每一个粒子的位置ENDDISPLAYFIGURE1XLABEL进化代数TITLE标准PSO算法YLABEL误差率ERSQRTXNBESTTHETA3XNBESTTHETA3/THETA3THETA3100PLOTNUM,ER,RFIGURE2XLABEL进化代数TITLE标准PSO算法YLABEL辨识参数数值PLOTNUM,A1,K,NUM,XNBEST4,C绘图PLOTNUM,A2,K,NUM,XNBEST5,KPLOTNUM,B0,K,NUM,XNBEST6,BPLOTNUM,B1,K,NU
4、M,XNBEST7,BPLOTNUM,C1,K,NUM,XNBEST8,GPLOTNUM,R1,K,NUM,XNBEST1,RPLOTNUM,R2,K,NUM,XNBEST2,GPLOTNUM,R3,K,NUM,XNBEST3,GENDHOLDOFFR1XNBEST1R2XNBEST2R3XNBEST3A1XNBEST4A2XNBEST5B0XNBEST6B1XNBEST7C1XNBEST8DISPLAY运行时间TIMETOCDISPLAY实际参数TTHETADISPLAY估计参数THETA0A1A2B0B1C1R1R2R3DISPLAY误差百分数DISPERDISPLAY噪声误差百分数RNO
5、ISEABSC115/15100DISPLAY信号参数误差率RSIGNALSQRTTHETA017TTHETA17THETA017TTHETA17/TTHETA17TTHETA17100递推最小二乘法辨识非线性HAMMERSTEIN模型参数INITCLC清屏CLEARALL清楚变量TIC计时R0C2ZEROS12,1200迭代1200次C3ZEROS1,12W30循环30次MAIN循环30次，递推1200次FORT1WN1,1,ZEROS1,1198A115A207B010B105C115R105R203R301THETAA1A2B0B1R1R2R3C1待辨识参数真值THETA4A1A2B0B
6、0R1B0R2B0R3B1B1R1B1R2B1R3C11L1200VAR4UIDINPUTL,RGS,01,11随机白噪声序列，取L个，均值为0，方差为1VIDINPUTL,RGS,01,VARVAR高斯白噪声，均值为0，方差为VARV1IDINPUTL,RGS,01,VARVAR高斯白噪声，均值为0，方差为VARY20取Y的前两个初始值为零Y10FORK3L系统的实际输出YKA1YK1A2YK2B0UKB0R1UK2B0R2UK3B0R3UK4B1UK1B1R1UK12B1R2UK13B1R3UK14VK1VKENDRLS递推最小二乘辨识THETA0000100010001000100010
7、001000100010001000100010001初始THETA0P0106EYE12,12直接给出初始状态P0，即一个充分大的实数单位矩THETA3THETA0,THETA0,ZEROS12,L2被辨识参数矩阵的初始值及大小FORK3LPHIYK1,YK2,UK,UK2,UK3,UK4,UK1,UK12,UK13,UK14,V1K1,V1K信息向量描述X0PHIP0PHI1X1INVX0K1P0PHIX1求出K的值D1YKPHITHETA0THETA1THETA0K1D1估计参数THETA0THETA1新获得的估计参数作为下一次递推的旧估计参数THETA3,KTHETA1把估计参数列向量
8、加入辨识参数矩阵的最后一列P1P0K1PHIP0求出PK的值K1PHIP0PHI1P0P1PKPK1ENDC2C2THETA31200次估计参数矩阵累加C3C3THETA1最终估计参数的累加ENDDISPLAYC2C2/W1200次的平均估计参数矩阵C3C3/W最终的平均估计参数FORI3LNISQRTC2,ITHETA4C2,ITHETA4/THETA4THETA4ENDRNL100最终估计参数的误差百分率DISPLAY运行时间（S）TIMETOCDISPLAY实际参数（S）THETAA1A2B0B1R1R2R3C1FIGURE1第1个图形I1L横坐标从1到1200PLOTI,NI100,R
9、误差率变化曲线XLABEL累计迭代次数YLABEL误差率TITLE递推最小二乘法DISPLAY估计参数A1C31获得辨识估计参数A2C32B0THETA13B1THETA17R1C34/C33R2C35/C33R3C36/C33C1C311FIGURE2XLABEL累计迭代次数YLABEL辨识参数数值TITLE递推最小二乘法HOLDONFORI1LPLOTI,THETA1,K,I,THETA3,K,I,THETA5,K,I,THETA8,KPLOTI,C21,I,C,I,C23,I,B,I,C24,I/C23,I,G,I,C211,I,RENDHOLDOFFTHETAAA1A2B0B1R1R2R3C1DISPLAY误差百分数DISPRDISPLAY噪声误差百分数RNOISEABSC31115/15100DISPLAY信号参数误差率RSIGNALSQRTTHETAA17THETA17THETAA17THETA17/THETATHETA100
