第一章系统辨识常用输入信号及古典辨识方法王1.ppt

第二章 系统辨识常用输入信号 及经典辨识方法 主讲人：王树彬 3. 用Matlab软件实现移位寄存器产生M序列 把M序列的逻辑0和1变换成a和－a的序列，得到幅值为a的离散输 入信号1111000100110101111，0对应高电平a，1对应低电平－a 4．二电平M序列的自相关函数 设每个基本电平延迟时间为?t，二电平M序列的周期是N?t。 自相关函数 ，分3种情况： 一个周期序列的期望（直流电平）为 （1）? ＝0 x(t)与x(t+?)为同一瞬时的实现值，同为a或－a， （2）|?| ?t, x(t)与x(t+?)可能同号，也可能异号。 （3）0 |?| ?t， 二电平M序列的自相关函数为 5. 二电平M序列的功率谱密度 功率谱是描述信号的重要特征之一。 物理意义：对于任何信号，我们将它分解成若干个（无限个）不同频率的正弦信号分量。这些正弦波分量的功率谱与其频率的对应关系即为信号的功率谱。 求功率谱：按Taylor级数展开 自相关函数（维纳－辛钦公式式） 随机过程x(t)的谱密度 与自相关函数 构成一组傅立叶变换对 二电平M序列的功率谱为： 其中：基波频率 ?(?)为?函数 2. M序列的直流分量 与N2成正比，因此，加大N，可减少M序列中的直流分量。 1. M序列的频谱不是光滑的曲线，而是线条谱。 只在基波频率的整数倍频率?＝k?0上取值 3. 当 M序列的频带为 时，功率谱密度 即下降了3分贝（db） 1. 幅值可取a,-a，容易选择，且当N充分大时，均值约等于0 2. 在一个周期内，自相关函数RM(τ)近似为δ函数，因此，以M序列为输入的线性系统，其互相关函数序列等于脉冲响应序列（N大于过渡过程） 3. 对于多输入单输出系统，可将同一M序列的不同移位序列（例：{M(k)}、{M(k+J)}、{M(k+2J)}等）作为各输入信号的扰动信号，当输出对各输入的过渡过程小于J时，可认为输入信号之间是互相正交的。 将M序列作为扰动信号有以下好处： 2.4 线性系统的经典辨识方法 2.4.1 相关分析法 一个单输入单输出的线性定常系统 y(t)为观测值，u(t)为已知输入，e(t)为零均值白噪声 由y(t)得到脉冲响应函数g(?)估计值 模型的输出为 采用二次型准则函数 现在的任务是根据系统的输入输出数据，确定模型的脉冲响应估计值 使误差准则函数取极小值，这是一个典型的变分问题。 y(t)为已知的观测数据，分解 第2，3项 * * 合理选用辨识的输入信号是能否获得好的辨识结果的关键之一。 为了使系统可辨识，输入信号必须满足一定的条件。最低要求是在辨识时间内系统的动态必须被输入信号持续激励。也就是说，在试验期间输入信号必须充分激励系统的所有模态。 更进一步，输入信号的选择应能使给定问题的辨识模型精度最高。 这就引出了最优输入信号设计问题。 Goodwin和Payne（1977）有如下结论：如果模型结构是正确的，且参数估计值?是无偏最小方差估计，则参数估计值?的精度通过Fisher信息矩阵M?依赖于输入信号u(k)。最优输入信号是具有脉冲式自相关函数的信号，即 当N很大时，白噪声或M序列可近似满足这一要求；当N不大时，并非对所有的N都能找到这种输入信号。 在具体工程应用中，选择输入信号时还应考虑以下因素： 1）输入信号的功率和幅度不宜过大，以免使系统工作在非线性区，但也不应过小，以致信噪比太小，直接影响辨识精度； 2）输入信号对系统的“净扰动”要小，即应使正负向扰动机会几乎均等； 3）工程上要便于实现，成本低。 辨识中常用的输入信号有白噪声或伪随机信号 1．帕塞瓦尔（Parseval）定理与功率谱 2.1 谱密度与相关函数 Parseval定理：确定性信号x(t)的总能量为： 随机过程x(t)的谱密度 与自相关函数 构成一组傅立叶变换对： 2．维纳—辛钦关系式： 定义互谱密度为互相关函数的傅立叶变换： 应用维纳—辛钦关系式，可以证明， 的线性系统，在随机输入下的 输出谱密度关系告诉我们：要充分激励系统，就要使输入信号的频谱“宽”于系统频谱。 对于频率响应为 输出谱密度和互谱密度分别为： 无记忆性，即t时刻的数值与t时刻以前的过去值无关，也 不影响t时刻以后的将来值。从另一意义上说，即不同时刻的随机信号互不相关。 2.2 白噪声 均值为0，谱密度为非0常数的平稳随机过程 定义：1. 2. ，其中， 为Dirac函数，即 ∞，τ=0 0，τ≠0 且 的傅立叶变换为1， ，