S6_噪声下辨识的改进算法.pptVIP

第 6讲 噪声下辨识的改进算法 广义最小二乘算法（GLS） 广义最小二乘算法的原理框图 GLS一次完成算法 GLS的递推算法 GLS的递推算法（上） GLS的递推算法（下） 结论 多级最小二乘算法MSLS （上） 多级最小二乘算法MSLS （下） MSLS的系统模型参数辨识 噪声模型的参数辨识 多步辨识法的全过程 基于权函数预报的两步法（COR-LS） 一种简化算法 * 广义最小二乘算法（GLS） 多级最小二乘算法（MSLS） 增广最小二乘算法（ELS） 辅助变量法（IV） 基于权函数预报的两步法（COR-LS） 模型方程 有色噪声 只要nd足够长，假设便是合理的，并且具有普遍的意义 模型方程改写为 如令 则得 仍适于最小二乘算法，只是残差变量 白噪声特性，A和B的参数估计可以无偏 广义最小二乘误差函数 称为广义最小二乘算法（GLS） GLS算法是一种松弛算法，参数A(z)、B(z)和D(z)系数的辨识过程被分为两步进行。 ① 对系统模型参数 和预估噪声模型参数 设初值 ? = 0, ?d = 0（如能采用接近真值的估计值更好）。 同时对估计误差的递归方差阵设初值 PF(0) = Pd(0) = (106～109)I。 ② 取得滤波后的输出和输入数据 ③ 估计系统模型参数，根据方程 得到递归算法公式 ④ 计算方程残差 ⑤ 根据噪声方程 估计噪声参数 ① 对系统模型参数 和预估噪声模型参数 设初值 ? = 0, ?d = 0（如能采用接近真值的估计值更好）。 同时对估计误差的递归方差阵设初值 PF(0) = Pd(0) = (106～109)I。 ② 取滤波后的输出和输入数据 ③ 估计系统模型参数，根据方程 得到递归算法公式 ① 对系统模型参数和预估噪声模型参数初值 ② 取得滤波后的输出和输入数据 ③ 估计系统模型参数，根据方程 ④ 计算方程残差 ⑤ 根据噪声方程 估计噪声参数 这个算法在实际应用中效果很好，但它的收敛性没有得到理论证明。尽管采用松弛算法取得了噪声模型系数的估计，然而并没有消除非线性参数估计的本质。因此可能存在若干个极小值，从而使算法收敛到局部极小值。这样，计算时适当选择被估计量的初值就显得十分重要。一些文献所做的研究结果表明，噪声的强弱对目标函数JGLS的单值性影响较大，当噪信比高时，就有可能收敛到局部极小值中。 此刻e(k)=eW(k)，即残差已经成为白噪声序列。 形成标准的最小二乘模型格式 这样取N组数据构成观测矩阵、输出向量和残差向量 则有增扩阶次后模型方程的矩阵形式矩阵 它的最小二乘估计就成为无偏和一致的估计 由 展开后得到 比较同次幂项，则有 展开 比较同次幂项 多步辨识算法将最小二乘的基本方法应用了三次，每一次都使最小二乘模型的残差呈现为互不相关的白噪声，根据因为先前增扩阶次后辅助模型参数θ1的估计具有一致性的统计特性，可以预期系统模型参数θ2的估计具有一致性的统计特性。同时，参数θ1和θ2估计的一致性也导致了系统噪声模型参数θ3估计的一致性。 线性系统只要其差分方程模型的阶次取得足够高，最小二乘模型方程的残差总是能够白化的，模型参数的估计也就总能得到无偏和一致的结果。然而，此时辨识得到的模型中可能在它的传递函数中存在公共因子，本节讨论的方法本质上在于提供了一种实用的方法来消去这些公共因子。 一些文献的研究指出：在高噪信比的情况下，多级最小二乘法将明显优于广义最小二乘法。这一方面是因为这种算法收敛点具有唯一性；而另一方面是这种算法不需要迭代过程。 A(z)y(k) = B(z)u(k) + ?(k) 不能简单地直接套用最小二乘算法。 总能获得线性系统权函数模型中参数h的无偏估计 y(k)= U h + v(k) 基本思想分两步: y = U h + v 有无偏和一致的统计特性 2. 1. 是?的一致性估计 当N??时，能够推出 ?w，??0， *