view in publisher's site

Maximum likelihood least squares‐based iterative methods for output‐error bilinear‐parameter models with colored noises

Summary This article is concerned with the parameter identification of output‐error bilinear‐parameter models with colored noises from measurement data. An auxiliary model least squares‐based iterative method is developed through the overparameterization model. It examines the difficulty of estimating the overparameterized vector, which usually presents a heavy computational burden in the identification process. To overcome this drawback, a parameter separation technique is introduced and the nonlinear model is reformulated as a refined identification model through eliminating the crossmultiplying terms. In this regard, a parameter separation least squares‐based iterative (PS‐LSI) algorithm is derived by avoiding estimating the redundant parameters. On the basis of the PS‐LSI algorithm, we derive a maximum likelihood least squares‐based iterative method to further improve the numerical accuracy. The identification is dependent on the formulation of a pseudolinear regression relationship, which contains two linear prefilters constructed from the system and noise models. The performance of this proposed method is confirmed by the numerical simulations as well as direct comparisons with other existing algorithms.

روش‌های تکراری مبتنی بر درستنمایی بیشینه مربعات برای مدل‌های پارامتری دو خطی خطای خروجی با نویزهای رنگی

خلاصه این مقاله به شناسایی پارامتر مدل‌های پارامتر دو خطی خطای خروجی با نویزهای رنگی از داده‌های اندازه‌گیری می‌پردازد. یک مدل کمکی روش تکراری مبتنی بر حداقل مربع از طریق مدل اضافه پارامتری کردن توسعه داده می‌شود. این روش سختی تخمین بردار فراپارامتری شده را بررسی می‌کند، که معمولا بار محاسباتی سنگینی را در فرآیند شناسایی ارایه می‌دهد. برای غلبه بر این مشکل، یک تکنیک جداسازی پارامتر معرفی می‌شود و مدل غیرخطی به عنوان یک مدل شناسایی اصلاح‌شده از طریق حذف جملات چند برابر کننده چندگانه مجددا فرمول‌بندی می‌شود. در این راستا، یک الگوریتم تکراری مبتنی بر جداسازی پارامتر (PS - LSI)با اجتناب از تخمین پارامترهای اضافی بدست می‌آید. براساس الگوریتم PS - LSI، ما یک روش تکراری مبتنی بر حداقل مربعات بیشینه را برای بهبود بیشتر دقت عددی به دست می‌آوریم. شناسایی وابسته به فرمول‌بندی یک رابطه رگرسیون خطی کاذب است، که شامل دو پیش فیلتر خطی ساخته‌شده از مدل‌های سیستم و نویز است. عملکرد این روش پیشنهادی توسط شبیه‌سازی‌های عددی و همچنین مقایسه مستقیم با دیگر الگوریتم های موجود تایید شده‌است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Mechanical Engineering
  • ترجمه مقاله Mechanical Engineering
  • مقاله مهندسی مکانیک
  • ترجمه مقاله مهندسی مکانیک
  • مقاله General Chemical Engineering
  • ترجمه مقاله General Chemical Engineering
  • مقاله مهندسی شیمی عمومی
  • ترجمه مقاله مهندسی شیمی عمومی
  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
  • مقاله Industrial and Manufacturing Engineering
  • ترجمه مقاله Industrial and Manufacturing Engineering
  • مقاله مهندسی صنایع و ساخت
  • ترجمه مقاله مهندسی صنایع و ساخت
  • مقاله Control and Systems Engineering
  • ترجمه مقاله Control and Systems Engineering
  • مقاله مهندسی کنترل و سیستم‌ها
  • ترجمه مقاله مهندسی کنترل و سیستم‌ها
  • مقاله Biomedical Engineering
  • ترجمه مقاله Biomedical Engineering
  • مقاله مهندسی پزشکی
  • ترجمه مقاله مهندسی پزشکی
  • مقاله Aerospace Engineering
  • ترجمه مقاله Aerospace Engineering
  • مقاله مهندسی هوافضا
  • ترجمه مقاله مهندسی هوافضا
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.