Resumen

Para identificar los parámetros del modelo no lineal de Hammerstein que están contaminados por ruido de color y ruido de pico, se selecciona la desviación mínima absoluta (LAD) como función objetivo para resolver el problema del cuadrado residual grande cuando los datos de identificación están perturbados por el ruido impulsivo que obedece a la distribución estable alfa simétrica ( S α S ). Sin embargo, LAD no puede satisfacer la necesidad de diferenciabilidad exigida por la mayoría de los algoritmos. Para mejorar la robustez y resolver el problema de la no diferenciabilidad, se establece una función objetivo de mínima desviación absoluta aproximada (ALAD) mediante la introducción de una función determinista que sustituye al valor absoluto en determinadas situaciones. El método propuesto se deriva del criterio ALAD y del método del gradiente estocástico ampliado. Debido a la diferenciabilidad de la función objetivo, podemos obtener un algoritmo de identificación recursivo que es simple y fácil de calcular en comparación con LAD. La convergencia del método de identificación propuesto también se demuestra mediante la teoría de estabilidad de Lyapunov, y los experimentos de simulación muestran que el método propuesto tiene mayor precisión y mayor robustez que el método de mínimos cuadrados (LS) en la identificación del modelo Hammerstein con ruido de color y ruido impulsivo. El impacto del ruido impulsivo puede contenerse eficazmente.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Identificación; Parámetros; Modelo no lineal de Hammerstein; Ruido coloreado; Ruido de pico; Desviación mínima absoluta; Función objetivo; Cuadrado residual grande; Datos de identificación; Ruido de impulso; Estabilidad alfa simétrica; ALAD; Robustez; Problema no diferenciable; Desviación mínima absoluta aproximada; Función determinista; Valor absoluto; Situaciones; Método propuesto; Criterio ALAD; Método del gradiente estocástico ampliado; Diferenciabilidad; Algoritmo de identificación recursivo; Simple; Fácil de calcular; Convergencia; Teoría de la estabilidad de Lyapunov; Experimentos de simulación; Mayor precisión; Mayor robustez; Método del mínimo cuadrado; Impacto; Restringido eficazmente.
• Keywords:Identify; Parameters; Nonlinear Hammerstein model; Colored noise; Peak noise; Least absolute deviation; Objective function; Large residual square; Identification data; Impulse noise; Symmetrical alpha stable; ALAD; Robustness; Nondifferentiable problem; Approximate least absolute deviation; Deterministic function; Absolute value; Situations; Proposed method; ALAD criterion; Extended stochastic gradient method; Differentiability; Recursive identification algorithm; Simple; Easy to calculate; Convergence; Lyapunov stability theory; Simulation experiments; Higher accuracy; Stronger robustness; Least square method; Impact; Restrained effectively