郑恩兴 张威 刘冉冉

【摘要】本文针对一类非均匀采样数据Hammerstein非线性系统，提出一种随机梯度算法。该算法首先基于提升技术，推导出系统的状态空间模型，通过重新参数化，将系统模型转化待辨识模型，并利用平均法分离出系统参数。仿真实例验证了所提算法的有效性。

【关键词】参数估计;随机梯度;Hammerstein系统;过参数化

1.引言

在工业过程中，为了保证产品的质量和生产操作的连续平稳，需要对与品质密切相关的过程变量进行实时监视和控制。然而在实际过程中存在一大类变量无法或难以在线直接检测，如化学反应器中反应物浓度、分馏塔产品组分浓度、产品分布等。为了解决此类变量的测量，众多学者与专家提出利用软测量技术对其估计与控制[1-3]。在软测量建模中，模型的准确性与精度决定软测量模型对变量估计的成败。数据驱动模型是利用输入输出数据所提供的信息来建立过程的数学模型，这种建模方法又称为“辨识”，由于不需要知道过程的机理知识，只利用历史数据就可达到满意的辨识效果，已经吸引众多学者关注，且广泛应用于生产实际中。非均匀采样系统普遍存在于现实工业生产中[4]，当系统的输入通道或输出通道的采样呈现不等时间间隔时就得到非均匀采样数据系统[5，6]。针对输入非均匀周期刷新和输出周期采样的非均匀采样数据系统，文献[7]利用递归最小二乘算法及递归广义最小二乘算法对非均匀采样BOX JENKINS系统进行参数估计，文献[8]利用递阶辨识原理将高维参数向量的模型分为一组低维参数向量的子模型，利用最小二乘算法分别辨识。……