系统辨识第三章.ppt

1 2、有色噪声的转化 ⑴有色噪声 白噪声只是数学上的一种抽象概括，实际物理系统或过程中存在的噪声常常是非白噪声，称为“有色噪声”。有色噪声并非“有色”，只是相对白噪声而言的取名。 有色噪声的主要特征是存在重要的时间相关性，简言之，有色噪声就是相关噪声。 相关噪声的时间相关性可用其协方差函数表征。若 为有色噪声随机序列，其协方差必有 常见的有色噪声如：随机常数，随机游动，随机斜坡及指数相关随机序列。随机系统中的扰动，常用指数相关随机序列来描述。 ⑵成行滤波器 成行滤波器是将有色噪声转化为白噪声的“线形动态系统”，一经转化，便可采用一般的最小二乘法，得到有色噪声情况下的无偏一致估计。 目前，对于任意一个随机序列，还无法解决怎样导出其成形滤波器。然而，对平稳且具有有理谱密度函数的随机系列，可以导出其成形滤波器。 式中，m z 为滤波器输入的零均值白噪声序列，v z 为滤波器输出的零均值有色噪声序列，故有 于是 设 为平稳且具有有理谱密度函数的随机序列，成形滤波器的脉冲传递函数 通分得： 其中m k 为零均值白噪声序列。若令 则有等价白噪声作用下的被辨识系统差分方程: 令k n，n+1，…，N，得如下等价量测方程: ⒊成形滤波器得参数估计 在被辨识系统差分方程中，有色噪声v k 是已知的，因此可用已知的v k 得到成形滤波器的参数估计。 将F z 展成z-1的无穷幕级数，并取其r阶近似: 代入F z 近似表达式，并将近似相等符号写为等号，有 令k n,n+1, …,N,可以导出 其中 要求 N-n+1 r，则由最小二乘法，得成形滤波器的参数向量估计： 得到估值 以后，立即可得等价输出及输入序列 同理 ⒋广义最小二乘迭代估计 通常，广义最小二乘估计的起动及迭代这样进行: 不管噪声v k 是什么性质的噪声，起动时按白噪 声对待，用一般最小二乘法求出真实参数向量 的初始估计 。 同样表明：在递推过程中，初始值 的影响越来越弱，故可任取 。 下面，推荐两种确定初始估计 和P 0 的具体方法： 例3-4 设仿真对象如图示 见“过程辨识”一书 选择如下差分方程模型结构，选n 2： 递推辨识结果如下表所示： 参数 真值 估计值 静态增益 噪声均值 噪声方差 参数辨识的变化过程如下图: 为了确认辨识结果,可以检验拟合精度。下图所示的阶跃响应比较,表明模型与真实过程阶跃响应比较吻合，因此辨识结果是满意的。 §3-4 辅助变量法 辅助变量法是一种改进的最小二乘估计法。其运算与最小二乘法同样简单，但比最小二乘估计更有实用价值，辨识效果也优于最小二乘法。 当噪声为有色噪声时，最小二乘法不能获得模型参数的无偏一致估计，而辅助变量法能获得无偏一致估计；当噪声的模型结构不好确定时，最小二乘法不好直接应用，而辅助变量法不需要确定噪声的模型结构，因此辅助变量法更显得灵活、实用。 ⒈最小二乘一致性估计的条件 对于量测方程： 一、非递推的辅助变量法 其中V为独立同分布平稳随机噪声（独立同分布指不同时刻之间变量彼此统计独立，但具有相同的概率分布）。 最小二乘估计为： 其中： 因为 若输入序列 及噪声序列均为具有各态 历经性的平稳随机序列 各态历经性：指一个充分长的样本特性，可以代替各样本集合的特性的平稳随机过程；平稳随机过程：指一个随机过程的统计性质不随时间而改变。 ，且当 由Frechet定理知：最小二乘估计 于是: ⒉辅助变量估计 在最小二乘一致性估计启发下，定义与Ψ阵 同维矩阵的辅助矩阵： I 定义 问题在于：如何选择辅助矩阵Z？ ⒊辅助矩阵的选择 ⑴辅助矩阵Z的选取 系统 过程 ⑵输入序列的选取 二、递推的辅助变量法 比较最小二乘估计与辅助变量估计： 具体推导过程如下：令 有 根据最小二乘递推公式： 相应得辅助变量递推估计公式： 〈证明〉 设已知 式中 为增益矩阵。 证毕。 类似于递推最小二乘法中初始值的选择方法，如用 进行递推起动。 为了避免计算 中的矩阵求逆运算，由矩阵反演公式： 例3-5 设仿真对象如下图所示： 不是白噪声 本例若用最小二乘法,一般得不到无偏一致估计.采用递推辅助变量估计，递推计算480步后，辨识结果如下： 参数 真值 估计值 静态增益 噪声均值 噪声方差 应当指出：辅助变量估计应用灵活，辨识效果好，但无法同时获得噪声模型的参数估计值。 §3-5 广义最小二乘法 广义最小二乘法是一种改进的最小二乘法。当系统量测方程中，噪声为有色噪声时，利用广义最小二乘法可以得到无偏一致估计，且可得到噪声模型的参数估计值。 广义最小二乘法的基本思想是：通过成行滤波器，将有色噪声转化为零均值白噪声，然后分别对广义量测模型和噪声模型应用最小二乘法，得到迭代的无偏一致估计。 1、有声噪声下的参数估计问题 一、非递推的广义最小二乘法 设被辨识系