[发明专利]基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法

说明书

本发明公开了一种基于组合式信号源的神经模糊Wiener‑Hammerstein模型辨识方法，包括步骤：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener‑Hammerstein模型；由高斯信号和二进制信号组合形成多信号源作为模型的输入；通过多信号源对串联的动态线性环节和静态非线性环节进行分离辨识；并由神经模糊系统对静态非线性环节采用神经模糊系统逼近；其中，若输入为高斯信号，则根据指定定理对所述Wiener‑Hammerstein的串联模块进行有效分离，并根据二进制信号的不激发特性对输入动态线性环节的输入乘积模型和输出动态线性环节的输出乘积模型进行正确分离，以获取静态分线性环节的组成变量参数；本发明的辨识方法大大简化了模型的辨识过程，且模型预测精度高。

技术领域

本发明属于Wiener-Hammerstein(维纳哈默斯坦系统)辨识技术领域，尤其涉及一种基于组合式信号源的神经模糊 Wiener-Hammerstein模型辨识方法。

背景技术

Wiener-Hammerstein模型是一类重要的非线性系统，适用于多种工业过程，如多传感器数据融合、电刺激骨骼肌肉模型、热交换器等。Wiener-Hammerstein模型的中间变量不可测性，导致无法直接利用输入、输出数据采用一些已有的简单的系统辨识方法对线性部分及非线性部分进行直接辨识，而对Wiener-Hammerstein模型的线性、非线性部分进行分离辨识需要间接估计中间不可测变量。如果仅仅采用神经网络或模糊系统等逼近器对模型进行逼近，模型的动态性有可能会导致这些逼近器的模型精度不高，且泛化能力弱等问题。

目前Wiener-Hammerstein模型辨识方面的研究可主要分为迭代法、直接解法及一些智能搜索算法，其中迭代法最为广泛。迭代法中，当前研究较多的是通过最佳线性近似的方法(Best Linear Approximation,BLA)获取两个线性环节的乘积模型，再通过迭代的方式求得最优的模型参数，然而，迭代法存在模型参数初始化及算法收敛性不容易得到保证等问题，限制了使用范围。直接解法旨在将模型写成一个混合模型的方式，通过优化求解目标函数来得到所需要辨识的参数，包括采用矩阵的线性变换和微分方法，以及通过支持向量机等最优化方法。由于中间变量的不可测性及混合模型的参数存在乘积项，使直接解法需要过于复杂的计算。智能搜索算法类似于迭代算法，即采用遗传算法(GeneticAlgorithm,GA)、粒子群优化(Particle Swarm Optimization,PSO)等生物进化方法[63-65]来解决 Wiener-Hammerstein模型辨识。虽然这些智能搜索算法能够克服局部极小的缺陷，但仍存在需要参数的初始化及其迭代次数无法得到有效的保证等问题。

发明内容

本发明的主要目的在于提供了一种基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，用于解决现有技术中算法比较繁杂、迭代次数无法得到有效保证等的问题，具体技术方案如下：

一种基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法，所述辨识方法包括步骤：

S1：构建单输入单输出的由输入动态线性环节、输出动态线性环节以及静态非线性环节串联形成的Wiener-Hammerstein模型；

S2：由高斯信号和二进制信号组合形成多信号源，作为所述 Wiener-Hammerstein模型的输入；

S3：通过所述多信号源对串联的所述输入动态线性环节、输出动态线性环节和所述静态非线性环节进行分离辨识；并根据神经模糊系统具有逼近任一分线性系统的能力，对所述静态非线性环节采用神经模糊系统逼近；

S4：其中，若输入为高斯信号，则根据指定定理对由所述 Wiener-Hammerstein的串联模块进行有效分离，并根据所述二进制信号的不激发特性对所述输入动态线性环节的输入乘积模型和所述输出动态线性环节的输出乘积模型进行正确分离，以获取所述静态分线性环节的组成变量参数。