一种基于灵敏度分组的多参数辨识系统及方法与流程

本发明涉及模型辨识技术领域，特别涉及一种基于灵敏度分组的多参数辨识系统及方法。

背景技术：

参数辨识是在模型结构已确定的情况下，根据已知的观测数据(ψi，yi)，i＝1，2，...，n求解偏差平方和j(x)为最小的x值

其实质是将模型参数辨识问题转化为函数优化问题。

目前已有许多成熟的参数辨识方法，主要可以分为统计类算法和启发式算法。统计类算法包括levenberg-marquardt方法，是一种基于梯度的非线性回归方法。其优点是收敛速度快，缺点是当初始参数设置不合理时，易陷入局部最优。启发式算法包括遗传算法和粒子群算法。算法在搜索到全局最优附近时，易出现阻滞的问题。传统参数辨识都属于同步辨识，即一次对所有的参数进行辨识，因而存在一个问题：当搜索空间大且待辨识参数多时，容易陷入局部最优且计算速度缓慢。

技术实现要素：

本发明提出了一种基于参数灵敏度分组的多参数辨识方法，以解决现有同步辨识中由于参数灵敏度不一、相关性高导致的计算缓慢和辨识精度不高问题。

为了解决上述问题，本发明提供了如下技术方案：

步骤1：参数采样及灵敏度计算

更进一步说明，所述步骤1具体包括以下步骤：

a、利用latin-hypercube方法对参数在优化范围内进行采样，组合成四组不同的参数矩阵；

b、对参数矩阵内的参数向量进行模型运算，对模型运算结果进行标量转换；

c、计算参数的主效灵敏度和总效灵敏度；

步骤2：参数分组

由于参数的可辨识度取决于其灵敏度，结合步骤1计算得到的主效灵敏度和总效灵敏度，对参数进行重要性排序，分成强灵敏度、中灵敏度和弱灵敏度三组；

步骤3：基于分组的参数辨识

对参数进行分组辨识，并按照切换策略进行组间切换，当辨识结果达到设定值时辨识终止。

本发明的有益效果：1、根据参数灵敏度进行分组辨识，克服了同步辨识时辨识参数多和搜索范围大带来的辨识精度不高的问题，有助于解决现有辨识中由于参数灵敏度不一、相关性高导致的计算缓慢和辨识精度不高问题；2、克服了大范围多参数辨识时容易出现的陷入局部最优和在全局最优值附近发生阻滞的情况，以降低非线性时空耦合模型由于参数互相关性导致的辨识困难。

附图说明

图1是本发明实施例的基于灵敏度分组的多尺度参数辨识系统的结构示意图；

图2是本发明实施例的参数灵敏度空间几何表述图：(a)参数多维空间，(b)基于灵敏度的参数重要性排序；

图3是本发明实施例的基于灵敏度分组的多尺度参数辨识的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

基于灵敏度分组的多参数辨识方法，包括以下步骤：

步骤10：采用latin-hypercube采样，将参数空间xi(i＝1，...，7)分为互不重叠的m个区间，使每个区间具有相同的概率。

步骤20：在每一维里的每个区间随机抽取一个点，再每一维里随机抽出选取的点，将它们组成向量，生产两个独立的参数矩阵h和p：

步骤30：将矩阵h的第i列用矩阵p的第i列代替，生成新矩阵将矩阵p的第i列用矩阵h的第i列代替，生成新矩阵

步骤40：模型运算。将矩阵和每一维参数代入模型进行运算，得到的模型输出需要转换成标量才可以进行后续的灵敏度计算，转换公式如下：

步骤50：灵敏度计算。通过主效灵敏度和总效灵敏度来计算灵敏度，主效灵敏度是通过观测单独变化参数xi所引起的系统输出变化来衡量参数xi对整个系统的影响程度，其计算公式如下：

总效灵敏度则是通过纳入参数xi与其他参数间的相互影响来衡量参数xi对整个系统的影响，其计算公式如下：

步骤60：参数分组。在模型辨识中，参数的重要性程度决定了各参数对于系统输出的影响大小，换言之参数的可辨识度取决于其灵敏度。因此结合步骤1计算得到的主效灵敏度和总效灵敏度，对参数进行重要性排序，分成强灵敏度、中灵敏度和弱灵敏度三类

步骤70：基于分组的参数辨识。因为强灵敏度的参数主导了系统输出，因而参数辨识的顺序应从最强灵敏度的到最弱灵敏度的参数。辨识方法采用lm方法。为减少因实验数据噪声或数组大小差异对系统辨识的影响，在设置目标函数使用了加权目标函数。

其中权重矩阵w□diag{w1，w2，…，wn}

步骤80：组间切换。当两次参数辨识的目标函数值之差小于0.001时，结束该组辨识，并进入到下组参数辨识。该过程一直循环，直至目标函数值小于设定函数值。