融合M估计技术的稳健局部建模算法用于非线性系统辨识

《IEEE Access》：Employment of Inverse Multiple Local Modeling Technique for Identification of Dynamic Systems with Outliers

　　

摘要：

非线性系统和过程的复杂性和普遍性不断增长，尤其是在工业环境中，这促使学术界对开发更先进、更准确的动态系统辨识技术产生了显著增长的兴趣。在这些技术中，局部建模因其通过生成多个局部线性模型来表示复杂系统的能力而脱颖而出。然而，数据中噪声的存在，通常由过程相关因素引起，可能会引入无关信息（异常值），这显著影响辨识过程的准确性。在本研究中，对多个局部建模算法D-MKSOM和P-MKSOM进行了修改，以融入M估计技术，增强了它们在处理异常值污染数据方面的鲁棒性。由此产生的模型命名为RD-MKSOM和RP-MKSOM，被应用于具有强非线性特征的数据集。为了评估其性能，数据集中有意加入了噪声污染，从而允许对算法的鲁棒性进行定性和定量评估。定量评估包括归一化均方误差（NMSE）和决定系数（R²），而定性分析则采用互相关、自相关和通过残差直方图进行的高斯分布评估。为了进行比较，稳健的ELM全局神经网络（R-ELM）也被应用于相同的数据集。另一种类型的稳健局部模型基于经典的Takagi-Sugeno-Kang（TSK）模糊系统，称为稳健TSK（R-TSK）模型，也进行了比较。结果表明，所提出的稳健算法提供了改进的泛化能力和对异常值的增强抵抗力，如优越的误差指标和在不同测试条件下的稳健行为所证实的。