[发明专利]基于量化核最小均方误差的Hammerstein系统辨识方法

摘要

本发明公开一种基于量化核最小均方误差的Hammerstein系统辨识方法，使用量化核最小均方误差方法(QKLMS)拟合Hammerstein的非线性部分，该方法具有很强的拟合能力，能够拟合任何非线性映射。当调整量化参数，QKAHF算法可以获得不同的性能，量化参数变大时，均方误差的收敛稳态值变大，但网络结构变小；量化参数变小时，均方误差的收敛稳态值变小，但网络结构会变大,能够实现更好的拟合性能，且快速收敛，在实际应用中更加易于推广和使用。

主权项

基于量化核最小均方误差的Hammerstein系统辨识方法，其特征在于具体步骤如下：Hammerstein系统的输入输出关系为：d^(n)=-Σi=1Na^i(n-1)d^(n-i)+Σj=0Mb^j(n-1)Z^(n-j)---(1)]]>式中：为估计输出，和为待估计系数，M,N为线性环节的阶数，为非线性部分的输出；使用量化核最小均方误差算法估计非线性部分，q为字典的大小，为在输入空间U的量化操作，u(n)∈Rm为输入向量，m为输入维度，为系数，将参数向量和数据向量表示为下式：θ^(n)=[a^1(n),...,a^N(n),b^1(n),...,b^M(n),ω^1(n),...,ω^q(n)]TH^(n)=[-d^(n-1),...,-d^(n-N),Z^(n-1),...,Z^(n-M),κ(u(n),u(1)),...,κ(u(n),u(q))]T---(2)]]>则式(1)可重写为：d^(n)=H^(n)Tθ^(n)---(3)]]>算法流程为：设定相关参数，核宽度σ，量化参数ζ，小正常数δ，学习速率Λ(n)，线性环节阶数M,N，计算初始参数向量循环以下过程：根据当前输入计算数据向量计算误差d(n)为期望输出；计算信息向量计算向量更新参数向量更新非线性部分的输出得到当前输入的估计输出