1、毕业设计文献综述电气工程与自动化非线性HAMMERSTEIN模型的辨识一、非线性HAMMERSTEIN模型辨识的历史及意义自从NARENDRAGALLMAN1966年提出了HAMMERSTEIN模型后，由于模型结构简单且能有效地描述常见的非线性动态系统特性，所以许多学者相继研究了HAMMERSTEIN模型参数的估计方法。HAMMERSTEIN模型在很多工程实践上都是一个很有用的面向块的模型，其中包括控制，信号处理和通信等等。HAMMERSTEIN模型是由一个无记忆非线性增益环节和线性子系统串联而成，其连接方式如图1所示。对HAMMERSTEIN模型的辨识问题，可以归结为线性模块的动态优化问题和
2、非线性模块的静态求根问题，从而结合线性模型预测的成熟理论解决此类非线性对象的控制问题。然而传统的辨识方法始终未能很好地解决此类复杂的非线性对象的辨识，因此非线性HAMMERSTEIN系统的辨识一直是当今国际辨识界所关心的问题。二、非线性HAMMERSTEIN模型辨识研究现状及趋势多年来在控制和信号处理方面HAMERSTEIN模型的辨识一直是一个积极地研究领域。已经有相当数量的文献资料对HAMMERSTEIN模型辨识问题展开了研究，其中对于HAMMERSTEIN模型的辨识方法大致可以分成五类第一类采用传统迭代法，最早由NARENDRA和GALLMAN提出1，这种方法计算复杂，并且此方法不一定收敛
3、；第二类方法由SBILLINGS提出，利用分离原理，将稳态估计和动态辨识相结合，但这种方法需要严格假设输入为白噪声并且以上两种方法均假设系统线性部分的阶次、时延为已知2；第无记忆非线性增益线性子系统KUKXKYKE图1HAMMERSTEIN模型结构三类是EBAI和IGORNEZ等4,3提出一种基于最小二乘法和特征值分解的辨识方法LSESVD，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
4、辨识落入允许范围5；第四类是参数过度化法7,6，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9,8，通常适用于多输入、多输出的非线性系统的辨识。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
5、（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EBERHAR11,10提出一种较为新颖的优化算法粒子群优化算法PARTICLESWARMOPTIMIZATION，PSO。该算法与蚁群算法ANTCOLONYOPTIMIZATION，ACO相似，也是一种基于群体智能SWARMINTELLIGENCE，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GENETICALGORITHM，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
6、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。由于具备这些优点，PSO算法被越来越多地应用于函数优化、神经网络训练、模式分类，以及传统优化算法的应用领域。但PSO算法也存在着精度较低,易发散等缺点，以及陷入局部收敛的的问题，所以在适应度函数选取、参数设置、收敛理论等方面还存在许多需要深入研究的问题。围绕PSO的实现技术和数学理论基础，以KENNEDY和EBERHART为代表的许多专家学者一直在对PSO做深入的探索，尤其在实现技术方面，提出了各种改进版本的PSO。这些改进的大致方向包括收敛速度、增加多样性、全局方法等方面的改进或者和其他算法混合的
7、方法改进。2细菌觅食优化（BFO）算法随着群体智能优化算法的蓬勃发展，PASSINO于2002年提出了模拟人类大肠杆菌觅食行为的细菌觅食优化算法BACTERIAFORAGINGOPTIMIZATIONALGORITHM，BFOA，为仿生进化算法家族增添了新成员。BERG等人的研究成果为BFOA的出现奠定了基础。BFOA自提出以来，由于它构造的直观性与易理解的自然机理吸引了不同领域研究者的关注。为了分别探究BFOA的局部搜索和全局搜索特性，有些研究者将BFOA与其他算法混合，并应用在生产实践中来证明它的有效性，性能甚至超过许多改进的GA和PSO算法。此外，BFOA的数学建模、自适应性和算法本身的
8、改进也正成为该算法研究的主要方向。BFOA自提出到现在不到十年，但是已经有很多研究者加入到对该算法的研究中，主要集中在对原始算法的改进及其应用的研究12。和PSO算法相比较，BFO算法由于参数比较多，所以计算相对比较复杂，收敛速度较慢，但是在早熟和调整性上比PSO算法有较好表现，有良好的鲁棒性。三、小结非线性HAMMERSTEIN模型辨识的目的是为了确定模型的关键参数实现对非线性系统的控制和预测。相关研究主要方向在于将模型进行变量分离成一个参数空间，再充分应用先进的群集智能算法求解参数的最优解。为了满足不同系统的性能要求，可能会采用不同演化算法，如为了得到较好的收敛速度可能会采用PSO算法，同
9、时若期望比较好的鲁棒性，则可能考虑BFO算法，但是总体来说，为了得到一个综合的优良性能，对改进的混合算法研究探索将会是今后辨识算法的一个极大的发展空间。四、参考文献1NARENDRA,GALLMANANITERATIVEMETHODFORTHEIDENTIFICATIONOFNONLINEARSYSTEMSUSINGAHAMMERSTEINMODELJIEEETRANSONAUTOMATICCONTROL,1966,1L35465502BILLINGSIDENTIFICATIONOFNONLINEARSYSTEMSASURVEYJPROCOFIEEE,1980,PARTD1272722853B
10、AIEANOPTIMALTWOSTAGEIDENTIFICATIONALGORITHMFORHAMMERSTEINWIENERNONLINEARSYSTEMSJAUTOMATICA,1998,3433333384GOMEZJC，BAEYENSIDENTIFICATIONOFMULTIVARIABLEHAMMERSTEINSYSTEMSUSINGRATIONALORTHONORMALBASESCPROCOFTHE39THIEEECONFONDECISIONANDCONTRO1SYDNEY,AUSTRALIA,2000,128492855向微，陈宗海基于HAMMERSTEIN模型描述的非线性系统辨
11、识新方法J控制理论与应用,2007年02月,第24卷第1期6CHANGANDRLUNS,ANONITERATIVEMETHODFORIDENTIFICATIONUSINGHAMMERSTEINMODELFIEEETRANSONAUTOMATICCONTROL,VOLAC16,464468,19717DING,TCHEN,IDENTIFICATIONOFHAMMERSTEINNONLINEARARMAXSYSTEMSFAUTOMATICA,VOL41,NO9,14791489,20058IGOETHALS,KPELCKMANS,JAKSUYKENS,BDEMOOR,SUBSPACEIDENTIF
12、ICATIONOFHAMMERSTEINSYSTEMSUSINGLEASTSQUARESSUPPORTSECTORMACHINESMIEEETRANSONAUTOMATICCONTROL,VOL50,NO10,15091519,20059VERHAEGEN,DWESTWICK,IDENTIFYINGMIMOHAMMERSTEINSYETEMSINTHECONTEXTOFSUBSPACEMODELIDENTIFICATIONMETHODS,MINTERNATIONALJOURNALOFCONTROL,VOL63,NO2,331349,199610KENNEDYJ,EBERHARTRCPARTICLESWARMOPTIMIZATIONJINSTITUTEOFELECTRICALANDELECNONICSENGINEERS199511L942L94811EBERHARTRC，KENNEDYJANEWOPTIMIZERUSINGPARTICLESWARMTHEORYJINSTITUTEOFELECTRICALANDELECTRONICSENGINEERS，1995，10394312周雅兰细菌觅食优化算法的研究与应用J计算机工程与应用,2010,4620
