基于结构自适应滤波方法的非线性系统辨识

针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题,将结构自适应引入辨识的优化,提出一种基于子系统的结构自适应滤波(SSAF)方法.该方法的模型由若干子系统级联而成,每一个子系统均为线性-非线性混合结构.子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器(IIR),非线性部分则是一个静态的非线性函数.初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接,而不含反馈的连接机制确保了非线性系统的有效性.采用一种自适应多精英引导的复合差分进化(AMECoDEs)算法用于自适应模型循环优化,直至找到最优的结构和参数,即全局最优.实验结果表明,SSAF方法在非线性测试函数以及真实数据集上的表现优异,辨识率高且收敛性好,与聚焦时滞递归神经网络(FTLRNN)相比,它所用参数的个数仅为FTLRNN的1/10,且适应值精度提高了7％,验证了所提方法的有效性.