系统辨识课件4.pptVIP

2.广义最小二乘法辨识的步骤 3.递推广义最小二乘法 特点：对于LS估计，其离线与递推的结果完全一样。而对于广义LS，其离线与递推计算结果不完全一样。 递推广义LS法的公式组 ③初值的选取 可完全参照递推LS法中初值的选取方法，一般取： * * 1.不需矩阵求逆的LS算法特点 3.3 一种不需矩阵求逆的最小二乘法 问题提出：在LS估计中，需要计算矩阵(ΦTΦ)的逆,由于矩阵 求逆比较影响辨识速度。能否在LS中避免(ΦTΦ) 的求逆运算？从而提高LS的辨识速度。 (1)不需计算矩阵的逆； (2)辨识精度与基本LS相同； (3)辨识速度比基本LS有较大提高； (4)适合模型阶次n未知的情况下应用； (5)是一种按模型阶次n递推的算法； 2. 算法推导 系统的差分方程为： 上式写成矩阵形式有： 式中： 令k分别等于1,···, N,有N个方程，则有： 式中： 现在任务：由{u(k)}及{y(k)}辨识ai、bi及n。 采用方法：采用模型阶次n的递推方法。 即从n=0开始辨识→n=1→n=2→··· 下面推导按模型阶次n的递推算法。 由 ，可得其LS估计值为： (1)模型阶次n=0的辨识 引入中间变量X： 记n=0时的X为X0： 这里，我们先求Xn。 (2)求 假设模型阶次为n-1时的参数辨识结果已知，也就是 已知，现欲求模型阶次为n时的辨识结果。即求： 式中： 由Φ可知： 根据分块矩阵求逆可得： 令 ，则： 式中： 同理，令 ，则可推得： 式中： 至此， 。已求得。求解步骤： (3)求 (4)求 总结： 1.辅助变量法特点 3.4 辅助变量法(IV) 算法目的：克服基本最小二乘估计的有偏估计问题，得到一种 无偏参数估计算法。 (1) 计算与基本最小二乘估计同样简单； (2) 辨识精度高于最小LS估计法； (3) 是一种无偏估计方法； (4) 参数估计时需构造辅助变量矩阵。 2.辅助变量法原理 基本LS有偏估计原因：由于ξ(k)是相关随机序列，使得ΦT阵 与ξ阵相关，从而得不到θ的无偏估计。 解决方法：构造某矩阵ZT，该矩阵与ΦT阵结构、形式完全一 致，且该矩阵与Φ强相关，与ξ阵不相关。相当于 用构造的矩阵ZT替代ΦT阵，从而得到θ的无偏估计。 该构造的矩阵就称为辅助变量矩阵，它满足如下约束条件： 由上式取辅助变量法估计为: 辅助变量法(IV)估计推导 等式两边同乘以ZT阵有： 系统的输入输出方程为： [(2n+1)×N]×[N×(2n+1)] 3.无偏性证明 所以辅助变量法为无偏估计 辅助变量法估计为： 则： 4.辅助变量法的构造方法 IV的构造方法有很多种，我们介绍以下四种方法。 (1) 递推辅助变量参数估计法 (2) 自适应滤波法 (3) 纯滞后法 (4) 塔利原理法 重点掌握第一种方法：递推辅助变量参数估计法。 现在任务：如何构造辅助变量矩阵ZT。 构造原则：与ΦT阵结构、形式完全一致，与Φ阵强相关， 与ξ阵不相关。 递推辅助变量参数估计法 φT与ξ相关，主要是由于φT中的y(k)与ξ(k+1)相关，选取ZT使其不相关即可。 序列为辅助模型的输出，即 矛盾：鸡和蛋谁先有的问题？ 解决办法：循环迭代→收敛法 注：第一次计算时，使用 (3)构造Z阵，使用IV法估计 (2)计算 序列 具体步骤如下： (1)应用基本LS法估计 (4)循环迭代计算 返回第二步，重新计算 进行循环迭代，直至 收敛 自适应滤波法 估计步骤： (1)基本LS估计: 辅助变量 及其矩阵Z的构造方法与方法1完全相同。 只是将辅助模型中的 的取值做一定的修改(滤波)。 式中，α取0.01-0.1， d取0-10。 (2)计算 序列: (首次计算用Φ替代Z) (3)构造Z阵，估计 (4)估值滤波： (5)返回第2步，进行循环迭代，直至估值收敛。 纯滞后法 式中， 为多项式 的阶次，一般可取 辅助变量按下式确定： 塔利（Tally）原理 ξ(k)为相关随机序列，可以表示成： 其中，ε(k)是零均值不相关的随机噪声，并且 ，以保证 则辅助变量取为： 无关。 通常，取 3.5 递推的辅助变量法 辅助变量法的递推公式的推导与基本最小二乘法的递推公式推导的过程完全一样，我们直接给出其递推公式： 式中： 其中，新息为 初始状态 的选取可参照递推LS法的选取方法。(两种方法) 注意事项：递推IV法对初始值P0的选取很敏感，因此在使用该 方法时，最好在前50～100