《系统辨识》要点.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * ∵ CPCT 是半正定的， ∴ [R2 + CPCT] 0 且 J 中对于 K 而言，第一、二项均与 K 无关 。 只有选择 K 使得第三项为零，则 J = J min 。 第五章 线性系统的状态估计 * 5）递推公式： 综合上述可得卡尔曼滤波递推公式： （滤波均方误差阵） （预报均方误差阵） 递推初值： 三、卡尔曼滤波的性质： 1、递推性： 第五章 线性系统的状态估计 * 2、可以利用新息进行校正： 预报： 第 k 次观测中的 “新息” ： 滤波 = 预报 + 新息校正 3、是线性最小方差估计，因此是无偏估计。 4、若仅计算 K(k) 、 、 ，则不依赖于 观测量 Y(k) ，所以可以预先离线计算 。 第五章 线性系统的状态估计 * 5、具有反馈校正性质： 1）若系统噪声 {W(k)} 强： R1(k) ? 说明应倚重于观测，加强基于量测而作的新息校正。 2）若系统观测噪声 {V(k)} 强： R2(k) ? 说明应倚重于原来的预报估计，基于不准确的量测而作的修正应减小。 第五章 线性系统的状态估计 ? 10 * 结束 * * * * * * * * * * * * * * * * * * * * * * * * * * * * 第四章 线性系统参数估计的最小二乘法 二、统计特征： 1、无偏性： 2、一致性： 三、计算： 1、白噪声输入： 经过相关分析后的 LS 估计是无偏和一致的估计。 * 第四章 线性系统参数估计的最小二乘法 a * 第四章 线性系统参数估计的最小二乘法 2、PRBS输入: * 第四章 线性系统参数估计的最小二乘法 3、有色噪声输入: 特点： 1）只要 {u(k)} 与 {e(k)} 不相关，LS 估计就是无偏和一致估计。 3）也可以有在线递推算法，由 Ruy(μ) 递推公式来更新数据。 2）因为 Q 中没有特殊的零元素，所以计算量大。 ? * §4?9 阶的辨识 第四章 线性系统参数估计的最小二乘法 一、确定阶的 F 检验法： 在上述参数估计中，均假设模型的阶（或模型的结构）是已知的，实际上它往往是未知的，而且阶的准确性，会大大影响参数估计的误差。 模型阶的确定： 用不同的阶 n，分析其最小二乘估计准则 (残差平方和): 一般情况下： n ↑ Jn ↓ 结果精度越高 系统的复杂性↑ n 必须选择适当。 （J 是 n 的递减函数）， 选择的原则：只对 使得Jn 有显著减小的 n 感兴趣 。 * 第四章 线性系统参数估计的最小二乘法 引入统计检验准则： N： 输入、输出数据对数。 Jn1： N 对数据，2n1 个模型参数的估计准则的最小值。 Jn2： N 对数据，2n2 个模型参数的估计准则的最小值。 当 N 足够大时，F 近似服从 F（f1，f2）分布。且： 对于SISO系统，阶数从 n 增加到 n+1（n1= n，n2 = n+1）时，取 F 分布的置信度 ? = 0.05，N 100 时，由 F 检验临界值表查得： * 第四章 线性系统参数估计的最小二乘法 表明：在 ?=0.05 水平下，F 变量至少要大于 3，估计准则 Jn 的减少才是显著的。 所以，可依次增加阶数 n，然后计算 Jn1 和 Jn2 以及变量 F，直至 F 3 时，n1 即为系统的阶数: 。 当 n = n2 时，F 3，说明估计准则的减少已经不显著了。 二、估计准则方法： 利用估计准则 直接确定模型的阶。 n = 1，2，… ? 计算相应的参数估计最小二乘估计准则 Jn 。 若随