广义正交传递函数基于伪线性回归识别：收敛条件与偏差分布
摘要：广义伪线性类别的三种标识递归算法的推广，在基于广义正交函数基础上引入了一个预测器。与使用这种函数的现有标识方案不同，模型极点没有任何限制。这种预测器参数化不仅提供了放宽与相关递归方案收敛条件的机会，还导致了与基础极点相关的偏差分布的修改。这个结果是伪线性回归特性特有的，不能推广到大多数预测误差方法算法。利用等效预测误差的概念，提供了详细的偏差分布，揭示了三种提出的方案之间的强烈类比，分别对应于ARMAX、输出误差和ARX模型的推广。这导致在频域引入了基础极点位置效应对偏差分布的指标。仿真结果表明，这些基础极点扮演了调节参数的角色，可以管理频域上的模型拟合，并有效地识别快速采样或刚性离散时间系统。
作者：Bernard Vau, Henri Bourl`es
论文ID：1807.05592
分类：Systems and Control
分类简称：cs.SY
提交时间：2019-08-14