...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pomiary Automatyka Kontrola >Identyfikacja dynamiki układu liniowego z opóźnionymi wejściami
【24h】

Identyfikacja dynamiki układu liniowego z opóźnionymi wejściami

机译：识别具有延迟输入的线性系统动力学

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Opóźnienia występujące w obiektach liniowych, nie uwzględnione przy dalszej obróbce sygnału, mogą powodować powstanie znaczących błędów i zniekształceń. Zastosowanie metod gradientowych do identyfikacji parametrów takiego obiektu, ze względu na wielomodalność przestrzeni rozwiązań, może powodować uzyskanie minimum lokalnego i błędnych wartości. W pracy zaproponowano wzbogacenie algorytmu gradiento-we-go o elementy optymalizacji globalnej, takie jak Symulowane Wyżarzanie (SA), czy też metodę momentów (MM). Efektywność zaproponowanych algorytmów została sprawdzona z wykorzystaniem badań symulacyjnych.%The identification of time delay of the linear systems belongs to the class of important tasks. If the system is MISO, the solution space is multi-modal and identification algorithms can find only the local optimum. It is know feature for separable nonlinear least-squares method (SEPNLS). This disadvantage can be reduced by using of stochastic global-optimization techniques. This paper considers the problem of parameters estimation of continuous-time linear systems with unknown time delays from sampled input-output data. The SEPNLS method and the global separable nonlinear least-squares (GSNLS) method are presented. These methods are extended by using simulated annealing (SA) - stochastic global-optimization techniques, and method of moments (MM). The SA method permits to go to the worse solution and jump out of a deep local attraction area. The MM method permits to reduce the problem with too big step in iteration methods The simulation results presented in the paper show that the global-optimization techniques with gradient method are successful in reaching of global optimum.
机译：线性对象中发生的延迟（在进一步的信号处理中未考虑在内）可能会导致明显的错误和失真。由于解空间的多模态性，使用梯度方法来识别此类对象的参数可能会导致获得局部最小值和不正确的值。这项工作建议使用全局优化元素（例如，模拟退火（SA）或矩量法（MM））来丰富梯度算法。仿真实验已经验证了所提算法的有效性。％线性系统时间延迟的识别属于重要任务。如果系统是MISO，则解决方案空间是多模式的，并且识别算法只能找到局部最优值。可分离的非线性最小二乘法（SEPNLS）的特征是已知的。通过使用随机全局优化技术可以减少此缺点。本文考虑了从采样的输入输出数据中具有未知时间延迟的连续时间线性系统的参数估计问题。提出了SEPNLS方法和全局可分离非线性最小二乘法（GSNLS）。通过使用模拟退火（SA）-随机全局优化技术和矩量法（MM）扩展了这些方法。 SA方法允许采用更差的解决方案并跳出较深的局部吸引力区域。 MM方法可以减少迭代方法中步长过大的问题。本文给出的仿真结果表明，采用梯度法的全局优化技术可以成功地达到全局最优。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号