宮向陽，趙振興２

中國石油化工集團公司信息系統管理部，北京

北京化工大學信息科學與技術學院，北京

摘　　　要：在實際系統信號中不可避免的會存在噪聲和瞬時擾動，噪聲過大會嚴重影響粒子群優化算法（ＰＳＯ）的辨識結果。針對強噪聲環境下利用ＰＳＯ算法進行參數辨識精度差甚至不能收斂的問題，提出了一種改進的滑動平均濾波算法，通過動態修正滑動平均后的數據相位，來實現無滯后的滑動平均濾波效果。仿真實驗表明，對這種改進滑動平均濾波算法應用于ＰＳＯ辨識數據預處理后，有效地提高了ＰＳＯ對強噪聲系統辨識的精度。

關　鍵　詞：強噪聲；滑動平均濾波；粒子群優化；參數辨識

１　引　言
系統辨識是先進控制能夠順利實施的關鍵，辨識出來的模型為內�？刂疲ǎ桑停茫�、模型預測控制（ＭＰＣ）等先進控制算法提供依據。模型作為先進控制算法的一部分，要盡可能精確，才能充分發揮控制算法的優越性。但對于某些系統，不可避免的會產生很強的測量噪聲，并時常夾雜著瞬時擾動。對于這種系統的辨識，在無噪聲條件下具有較高的辨識精度，隨著信噪比的逐步降低，辨識精度開始逐步下降［１］，信號消噪越來越受到人們的關注［２］。常見的較小二乘、神經網絡、遺傳算法以及粒子群優化算法等都不能有效的高精度的辨識出帶有強噪聲的模型數據。作者通過加入辨識預處理環節，并通過新提出的改進滑動平均濾波算法，有效地解決了這個問題。目前，消除噪聲對信號干擾的方法主要有：①傳統的平均值濾波和傅里葉變換。這種方法只適用于對平穩隨機信號進行濾波處理，而在辨識建模中，系統的實際噪聲信號大多是非平穩隨機信號，若采用平均值和中值濾波的方法會使系統信號產生畸變，影響傳感器的動態特性［３］。并且傳統平均值濾波會使信號產生額外的相位偏移，從而導致辨識后模型的滯后會比實際系統要大。② Ｋａｌｍａｎ濾波［４�玻担�。Ｋａｌｍａｎ濾波是一種較優隨機濾波技術，能較好的消除噪聲對控制系統信號的干擾，但是采用Ｋａｌｍａｎ濾波算法時，要求已知系統的精確數學模型［６］，而對實際系統進行辨識時，系統的數學模型是未知的。③小波分析方法消除噪聲干擾［７］。小波分析算法復雜，且小波基函數和小波分解的層次選擇對濾波效果影響較大。

登錄網站后可下載文件