系统识别第5章.pptVIP

主要内容 (5.3.14) 则式（5.3.16）又可写为 5.2一种不需矩阵求逆的最小二乘法 设 则 这时，仿照上述方法容易求出 同时 5.2一种不需矩阵求逆的最小二乘法 这样，就可以按照式（5.2.6）辨识出阶次为n+1时的系统的参数。由于这一过程只涉及矩阵相乘和矩阵与向量相乘等运算，所以计算量较小，而矩阵求逆的精度不变。所以说，本节算法在不损失辨识精度的前提下提高了辨识速度，这一算法尤其适用于阶次未知情况下的系统辨识。 5.3递推最小二乘法 为了实现实时控制，必须采用递推算法，这种辨识方法主要用于在线辨识。 设已获得的观测数据长度为N，将式(5.1.8)中的y和 分别用 (5.3.1) 式中 估计方差矩阵为 5.3递推最小二乘法 于是 如果再获得1组新的观测值，则又增加1个方程 将式（5.3.1）和式（5.3.7）合并，并写成分块矩阵形式，可得 5.3递推最小二乘法 根据上式可得新的参数估值 式中 应用矩阵求逆引理，可得PN＋1和PN的递推关系 式。下面先介绍矩阵求逆引理。 5.3递推最小二乘法 矩阵求逆引理：设A为n×n矩阵，B和C为n×m矩阵，并且A，A＋BCT和I+CTA-1B都是非奇异矩阵，则有矩阵恒等式 5.3递推最小二乘法 于是得到PN+1和PN的递推关系式 由于 是标量，因而上式可写为 从上面的推导可以看到，在进行系统参数的估计时，本来需要求(2n＋1)×(2n＋1)矩阵 的逆矩阵，运算相当复杂。应用矩阵求逆引理，把求(2n＋1)×(2n＋1)矩阵的逆矩阵变为求标量 的倒数，大幅度地减少了计算工作量。同时又得到了PN+1与PN之间的较简单的递推关系式。由式（5.3.9）和式（5.3.2）得 5.3递推最小二乘法 由式（5.3.14）和式（5.3.18）得最小二乘法辨识公式 为了进行递推计算，需要给出PN和 的初值P0和 ，有2种给出初值的办法。 5.3递推最小二乘法 （1）设N0（N0n）为N的初始值，则根据式(5.3.2)和式(5.3.5)可算出初值。 （2）假定 c是充分大的常数，I为(2n+1)×(2n+1)单位矩阵，则经过若干次递推之后能得到较好的参数估计。 5.4辅助变量法 现在开始讨论如何克服最小二乘法的有偏估计问题。对于原辨识方程 (5.4.1) 当ξ(k)是不相关随机序列时，最小二乘法可以得到参数向量θ的一致性无偏估计。但是，在实际应用中ξ(k)往往是相关 随机序列。 (5.4.2) 假定存在着一个(2n+1) ×N的矩阵Z(与Φ同阶数)满足约束条件 y=Φθ+ξ 式中Q是非奇异的。 5.4辅助变量法 用ZT乘以式（5.4.1）等号两边得 由上式可得 (5.4.4) 如果取 (5.4.5) 作为θ的估计值，则称估值 为辅助变量估值，矩阵Z称为辅助变量矩阵，Z中的元素称为辅助变量。 5.4辅助变量法 辅助变量的选择方法 1）辅助变量参数估价法 2）自适应滤波法 3）纯滞后 4）塔利（Tally）原理 5.5 递推辅助变量法 根据5.4节的结果和按5.3节递推最小二乘法公式的推导方法可得到递推辅法助变量法计算公式 (5.5.3) (5.5.4) (5.5.5) 5.6广义最小二乘法 本节中讨论能克服最小二乘法有偏估计的另一种方法－广义最小二乘法。这种方法计算比较复杂，但效果比较好。设系统的差分方程为 (5.6.1) 式中 如果知道有色噪声 序列的相关性，那么可以随机序列表示成白噪声通过线性系统后所得的结果。设线性系统的输入为白噪声 ，输出为有色噪声 ，这种表示线性系统通常称为形成滤波器。 5.6广义最小二乘法 设形成滤波器的差分方程为 式中： (5.6.2) 是均值为0的白噪声序列； 和 是 的多项式。 可表示为 或 式中 是 的多项式，即 把上式代入式(5.6.3)得 或 (5.6.3) (5.6.4) (5.6.5) (5.6.6) (5.6.7) 5.6广义最小二乘法 把上述方程看做输入为0的差分方程，并且根据方程式(5.6.7)可写出N个方程，即 把上述N个方程可写成向量-矩阵形式 式中 (5.6.8) (5.6.9) 5.6广义最小二乘法 (5.6.10) 应用最小二乘法可求出f 的估值为 由于式(5.6.11)中向量 和矩阵 的元素是 无法直接测量的，在辨识参数向量f时只能用残差 代替 ，残差 满足方程： (5.6.11) (5.6.12) 5.6广义最小二乘法 把式(