[论文解读] Improved Transients in Multiple Frequencies Estimation via Dynamic Regressor Extension and Mixing

Aranovskiy Stanislav, Alexey Bobtsov+2 more|arXiv (Cornell University)|Apr 7, 2016

Fault Detection and Control Systems参考文献 2被引用 3

一句话总结

该论文提出了一种动态回归器扩展与混合（DREM）技术，以改善正弦信号多频率估计中的瞬态性能。通过将向量参数估计问题转化为标量子问题，该方法确保了估计误差的非严格单调性，并消除了振荡或峰值现象，与标准梯度方法相比，显著改善了收敛行为。

ABSTRACT

A problem of performance enhancement for multiple frequencies estimation is studied. First, we consider a basic gradient-based estimation approach with global exponential convergence. Next, we apply dynamic regressor extension and mixing technique to improve transient performance of the basic approach and ensure non-strict monotonicity of estimation errors. Simulation results illustrate benefits of the proposed solution.

研究动机与目标

• 解决基于梯度的多频率估计中瞬态性能差的问题，特别是振荡和峰值现象。
• 改善现有基于状态变量滤波器（SVF）的频率估计方法的收敛行为。
• 确保参数估计误差的非严格单调性，避免振荡或发散的瞬态响应。
• 将动态回归器扩展与混合（DREM）技术从标量问题扩展到多频率估计问题。
• 通过仿真验证所提方法，显示其具有改进的瞬态响应和稳定性。

提出的方法

• 该方法将动态回归器扩展与混合（DREM）应用于将原始向量估计问题转化为一组标量估计子问题。
• 利用状态变量滤波器（SVF）生成满足具有指数衰减误差项的线性回归模型的回归器信号。
• DREM过程引入辅助动态和混合矩阵，以确保每个参数分量的估计误差单调递减。
• 该方法依赖于一个时变回归器矩阵，其行列式在弱条件下被证明是非L²可积的，从而确保持续激励。
• 实现非严格单调性的关键条件是采样间隔 $ d_1 $ 不是任何正弦分量的半周期或整周期，以防止回归器矩阵奇异。
• 该方法应用于基于梯度的估计器，其原始增益矩阵 $ K $ 被替换为每个标量子问题的独立增益 $ \gamma_i $。

实验结果

研究问题

• RQ1 DREM能否有效应用于改善多频率估计中的瞬态性能？
• RQ2 基于DREM的方法是否能确保估计误差的非严格单调性，避免振荡和峰值？
• RQ3 为保持持续激励并避免回归器矩阵奇异，对采样间隔 $ d_1 $ 的条件是什么？
• RQ4 与基本梯度估计器相比，DREM增强型估计器在收敛速度和瞬态行为方面表现如何？
• RQ5 该方法能否扩展到两个以上频率，同时保持误差收敛的单调性？

主要发现

• 基于DREM的估计器实现了参数估计误差的非严格单调收敛，消除了基本梯度方法中观察到的振荡和峰值行为。
• 仿真结果表明，DREM增强型估计器表现出显著改进的瞬态性能，对两频率和三频率信号均实现了更快、更平滑的收敛。
• 在双频情况下，瞬态时间从基本估计器的约10秒减少到DREM估计器的2秒以内，且在相同条件下。
• 条件 $ d_1 < \pi \bar{\omega}^{-1} $，其中 $ \bar{\omega} $ 为最大频率，确保扩展回归器矩阵的行列式不属于 $ \mathcal{L}_2 $，从而保证持续激励。
• 即使信号包含多个频率，该方法依然有效，如对 $ N=3 $ 且 $ \theta = [38, 361, 900]^T $ 的成功估计所示。
• DREM结构中的增益 $ \gamma_i $ 可调节以进一步改善瞬态响应，仿真结果展示了不同 $ \gamma_1, \gamma_2 $ 值下的性能提升。