摘要
为了解决Hammerstein模型的识别问题，本文提出了一种解耦的识别算法，该算法将相关性分析与基于最优梯度的迭代算法相结合。首先，利用相关性分析将Hammerstein模型的线性和非线性子系统分离。然后，使用最小二乘算法估计线性参数。对于由模糊神经网络表示的非线性子系统，采用聚类算法来初始化隶属函数的参数，从而使模糊规则能够更好地反映观测数据的分布特性。在权重识别阶段，将最优梯度理论引入基于梯度的迭代算法中。基于求解出的最优步长，该方法实现了自适应参数更新，显著提高了收敛速度，同时保持了算法的稳定性。最后，将所提出的算法应用于两个仿真案例，结果表明其在Hammerstein模型的线性和非线性参数识别方面均具有有效性。
