[发明专利]一种非线性系统识别方法及设备

说明书

本发明提供的非线性系统识别方法，构建以下数据模型：其中，u为输入的单位方差的零均值高斯序列，z(u)为将u映射到有限维度的向量，Ω_o为最优权重向量，v是系统干扰噪声；d为期望信号；采集被控系统的输入数据和输出数据，以获得训练样本；将所述训练样本输入至所述数据模型中，对数据模型进行训练；当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ω_o时，输出该数据模型，实现系统跟踪。该方法适用于参数或者特性未知或经常处于变化的被控系统的系统识别，提高了识别准确度。

技术领域

本发明属于数据处理技术领域，具体涉及一种非线性系统识别方法及设备。

背景技术

工业大生产的发展，要求将控制技术提高到更高的水平。现代控制理论的应用是建立在已知受控对象的数学模型上，而当前对受控对象数学模型的研究相对较为滞后，现代控制理论的应用遇到了各种困难，例如需要确定适合受控对象的数学模型，因此系统识别成为应用现代控制理论的重要方法。另外，随着计算机科学的飞速发展，计算机为识别系统所需要的在线计算提供了高效的工具，在这样的背景下，系统识别问题便越来越受到人们的重视，成为了发展系统理论，是开展实际应用工作中必不可少的组成部分。

然而，一些实际被控系统是很难事先通过机理建模或离线系统识别来确定的，或者它们的数学模型的一些参数或者结构处于变化之中，对于这类事先难以确定数学模型的系统，通过事先整定好的控制参数的常规控制是难以对付的。所以面对上述系统特性未知或经常处于变化、而无法完全事先确定的情况，如何设计一个满意的非线性系统识别方法，能够主动适应这些特性未知或变化的情况，是自适应控制所要研究解决的问题。

发明内容

针对现有技术中的缺陷，本发明提供一种非线性系统识别方法及设备，适用于参数或者特性未知或经常处于变化的被控系统的系统识别，提高了识别准确度。

第一方面，一种非线性系统识别方法，包括以下步骤：

构建以下数据模型：其中，u为输入的单位方差的零均值高斯序列，z(u)为将u映射到有限维度的向量，Ω_o为最优权重向量，v是系统干扰噪声；d为期望信号；

采集被控系统的输入数据和输出数据，以获得训练样本；

将所述训练样本输入至所述数据模型中，对数据模型进行训练；

当自适应权重向量Ω逼近训练后的数据模型中最优权重向量Ω_o时，输出该数据模型，实现系统跟踪。

优选地，所述输出的数据模型为：

其中，为离散时间i的期望输出；Ω为自适应权重向量；z(u(i))为将u(i)映射到有限维度的向量，u(i)为离散时间i输入的单位方差的零均值高斯序列。

优选地，所述z(u(i))通过下式计算得到：

其中，λ_i为特征值，φ_i(u)为特征函数，是近似于核矩阵的第i个采样点；

Φ_m(u)是核向量；u是u(i)的缩写，K_m＝κ(u(i),u(j)),i,j∈{1,2,...,m},表示维度为m的第j列特征向量，κ表示高斯核函数。

优选地，所述通过下式计算得到：

其中，训练样本集其中L为训练样本集的大小，随机选取0＜k＜L个样本作为k个初始簇的中心，U通过k-means分解成k个不相交的簇，