دانلود ترجمه مقاله شناسایی سیستم های خطی پیوسته با زمان تحت شرایط نمونه برداری

1. مقدمه 2. مقدمات 2.1. سیستم ها 2.2. مشخصه های پایه ای 3. قابلیت شناسایی سیستم 3.1. قابلیت شناسایی 3.2. دقت قابلیت شناسایی با توجه به اندازه نمونه 3.3. مثال ها 4. شناسایی الگوریتم ها و ویژگی های همگرایی تحت مشاهدات عاری از نویز 5. شناسایی الگوریتم ها و ویژگی های همگرایی تحت مشاهدات نویزدار 5.1. براوردگرهای حداقل مربعات غیر خطی و ویژگی های همگرایی 5.2. الگوریتم های تکراری 5.3. الگوریتم های برگشتی و همگرایی قوی 6. شرایط تحریک مداوم 6.1. شرایط تحریک مداوم تحت نمونه برداری نامنظم 6.1.1. آزمایشات تکراری با ورودی های منظم 6.2. شرایط تحریک مداوم تحت نمونه برداری تصادفی 6.2.1. فرایندهای نمونه برداری تصادفی I.I.D 6.2.2. فرایندهای نمونه گیری تصادفی مستقل 7. مثال های گویا 8. ملاحظات نهایی پیوست

چکیده – این مقاله مشکلات مربوط به قابلیت شناسایی و برآورد پارامتر سیستم های پیوسته با زمان، پایدار، ثابت با زمان، خطی، تک ورودی و تک خروجی را تحت شرایط نمونه برداری نامنظم و تصادفی مورد بررسی قرار می دهد. شرایط جهت قابلیت شناسایی سیستم تحت ورودی انواع چند جمله ای نمایی و محدودیت مربوط به تراکم نمونه برداری پایه گذاری شد. الگوریتم های شناسایی انواع مکرر گاوس – نیوتن به منظور ایجاد برآورد همگرایی توسعه یافت. هنگامی که خروجی نمونه برداری شده توسط مشاهده نویزها تخریب شد، طرح خروجی، زمان های نمونه برداری و الگوریتم های همگرا در هم پیچیده گردید. شرایط تحریک مداوم (PE) برای الگوریتم های شدیدا همگرا حاصل گشت. برخلاف شناسایی سنتی، شرایط برانگیختگی مداوم تحت نمونه برداری نامنظم و تصادفی شامل هر دو زمان های نمونه برداری و مقادیر ورودی می باشد. تحت شرایط برانگیختگی مداوم ارائه شده، الگوریتم های مکرر و بازگشتی به منظور برآورد پارامترهای اصلی سیستم پیوسته با زمان توسعه یافت. نتایج همگرایی مربوطه در این مطالعه به دست آمد. در این مقاله چندین نمونه شبیه سازی به منظور تایید نتایج تئوری ارائه شد.

This paper considers the problem of identifiability and parameter estimation of single-input–single-output, linear, time-invariant, stable, continuous-time systems under irregular and random sampling schemes. Conditions for system identifiability are established under inputs of exponential polynomial types and a tight bound on sampling density. Identification algorithms of Gauss–Newton iterative types are developed to generate convergent estimates. When the sampled output is corrupted by observation noises, input design, sampling times, and convergent algorithms are intertwined. Persistent excitation (PE) conditions for strongly convergent algorithms are derived. Unlike the traditional identification, the PE conditions under irregular and random sampling involve both sampling times and input values. Under the given PE conditions, iterative and recursive algorithms are developed to estimate the original continuous-time system parameters. The corresponding convergence results are obtained. Several simulation examples are provided to verify the theoretical results.