改进滑动平均滤波在ＰＳＯ辨识中的应用

2012年03月16日14:56:38 本网站我要评论(2)字号：T | T | T

宫向阳，赵振兴２

中国石油化工集团公司信息系统管理部，北京

北京化工大学信息科学与技术学院，北京

摘　　　要：在实际系统信号中不可避免的会存在噪声和瞬时扰动，噪声过大会严重影响粒子群优化算法（ＰＳＯ）的辨识结果。针对强噪声环境下利用ＰＳＯ算法进行参数辨识精度差甚至不能收敛的问题，提出了一种改进的滑动平均滤波算法，通过动态修正滑动平均后的数据相位，来实现无滞后的滑动平均滤波效果。仿真实验表明，对这种改进滑动平均滤波算法应用于ＰＳＯ辨识数据预处理后，有效地提高了ＰＳＯ对强噪声系统辨识的精度。

关　键　词：强噪声；滑动平均滤波；粒子群优化；参数辨识

１　引　言
系统辨识是先进控制能够顺利实施的关键，辨识出来的模型为内模控制（ＩＭＣ）、模型预测控制（ＭＰＣ）等先进控制算法提供依据。模型作为先进控制算法的一部分，要尽可能精确，才能充分发挥控制算法的优越性。但对于某些系统，不可避免的会产生很强的测量噪声，并时常夹杂着瞬时扰动。对于这种系统的辨识，在无噪声条件下具有较高的辨识精度，随着信噪比的逐步降低，辨识精度开始逐步下降［１］，信号消噪越来越受到人们的关注［２］。常见的较小二乘、神经网络、遗传算法以及粒子群优化算法等都不能有效的高精度的辨识出带有强噪声的模型数据。作者通过加入辨识预处理环节，并通过新提出的改进滑动平均滤波算法，有效地解决了这个问题。目前，消除噪声对信号干扰的方法主要有：①传统的平均值滤波和傅里叶变换。这种方法只适用于对平稳随机信号进行滤波处理，而在辨识建模中，系统的实际噪声信号大多是非平稳随机信号，若采用平均值和中值滤波的方法会使系统信号产生畸变，影响传感器的动态特性［３］。并且传统平均值滤波会使信号产生额外的相位偏移，从而导致辨识后模型的滞后会比实际系统要大。② Ｋａｌｍａｎ滤波［４５］。Ｋａｌｍａｎ滤波是一种较优随机滤波技术，能较好的消除噪声对控制系统信号的干扰，但是采用Ｋａｌｍａｎ滤波算法时，要求已知系统的精确数学模型［６］，而对实际系统进行辨识时，系统的数学模型是未知的。③小波分析方法消除噪声干扰［７］。小波分析算法复杂，且小波基函数和小波分解的层次选择对滤波效果影响较大。

登录网站后可下载文件

改进滑动平均滤波在ＰＳＯ辨识中的应用

相关阅读: