[发明专利]一种动态振荡信号模型参数辨识方法

说明书

本发明公开一种动态振荡信号模型参数辨识方法，在对模型参数进行辨识时，考虑了参数所受到的实际约束。首先，给出状态估计值和状态估计误差协方差的初始值；接着，在最大迭代时刻范围内，运用扩展卡尔曼滤波的预测步得到下一时刻的状态预测值和预测误差协方差；然后，运用扩展卡尔曼滤波的滤波步对该时刻的状态预测值和预测误差协方差进行更新，得到该时刻的状态估计值和估计误差协方差。接着，判定该时刻的状态估计值是否满足相应的实际约束条件，若满足，则转入对下一时刻的状态估计；若不满足，则对该时刻的状态估计值运用改进粒子群算法进行寻优，得到该时刻满足约束条件的最优状态估计值，并在此基础上对下一时刻的状态进行估计。

技术领域

本发明涉及一种新的动态振荡信号模型参数辨识方法，属于信号分析与参数辨识技术领域。

背景技术

一般来说，通常把研究信号的构成和特征值的过程称为信号分析。只有通过对信号进行必要的分析和处理，才能得到其中的有用信息。在实际应用中，系统运行中产生的一些信号可以提供系统稳定性或其他方面的重要信息。通过对这些信号的构成和特征进行分析，了解信号传递的重要信息，进而对系统的工作状态进行分析，保证系统的正常运行。在对信号分析时，信号的数学模型参数往往是未知的，需要运用参数辨识的方法对模型中的参数进行辨识。所以，信号分析与参数辨识在工程实践中具有重要的意义。

卡尔曼滤波作为状态估计和参数辨识的一种有效方法，已经被广泛应用于线性系统中。对非线性系统来说，应用最多的是扩展卡尔曼滤波，在众多非线性系统状态估计和参数辨识的应用中，扩展卡尔曼滤波取得了较好的效果。然而，由于传统扩展卡尔曼滤波本身的结构，很难直接把约束条件约束在状态向量上，所以在参数辨识的应用过程中大多都忽略了待估参数的实际约束条件。为了使参数辨识和状态估计更加符合实际应用，研究具有实际约束条件的状态估计和参数辨识问题具有重要的理论和现实意义。

发明内容

发明目的：基于以上分析，本发明采用信号分析和参数辨识理论，提出了一种新的动态振荡信号模型参数辨识方法，以期实现实际约束条件下的状态估计和信号模型的参数辨识。

由于在实际的系统中，许多待估参数都会受到实际约束。然而，在利用传统的扩展卡尔曼滤波进行状态估计和参数辨识时，由于扩展卡尔曼滤波本身的结构，很难直接考虑状态和参数所受到的约束。本发明提出一种新的动态振荡信号模型参数辨识方法，结合了传统的扩展卡尔曼滤波算法、投影方法、罚函数方法以及最优粒子群算法，实现了考虑实际约束条件的动态振荡信号模型参数辨识。

技术方案：一种动态振荡信号模型参数辨识方法，该方法在计算机中是依次按照如下步骤实现的：

(1)、获取状态变量分量中包含模型参数的状态空间模型。

(2)、初始化。包括：设定状态估计的初值和估计误差协方差的初值，系统噪声和量测噪声所满足的协方差矩阵，迭代次数最大值S。

(3)、由已经得到的k-1时刻的状态估计值和状态估计误差协方差，利用扩展卡尔曼滤波的预测步，得到k时刻的状态预测值和状态预测误差协方差，计算公式为：

式中，表示k时刻的状态预测值，f(·)对应具体问题状态方程中的非线性函数，表示k-1时刻的状态估计向量，u_k-1表示k-1时刻的控制输入。表示k时刻的状态预测误差协方差，表示非线性函数f(·)在处的雅克比矩阵，表示k-1时刻的状态估计误差协方差，上标T表示转置，Q_k-1是系统噪声k-1时刻所满足的协方差矩阵。

(4)、利用k时刻的量测噪声协方差和k时刻的预测误差协方差计算k时刻的最优滤波增益，计算步骤为：