过程辨识仿真作业.docVIP

例6.6仿真对象如图所示： 图中，为服从分布的不相关随机噪声；控制λ值，是数据的信噪比为23%。经过噪声模型后，迭加在输出y(k)上； 输入信号u(k)采用4阶的M序列，特征多项式取F(s)=1s，幅度为1, 循环周期为31bit，数据长度L=480, 初始条件=0.001, P(0)=I。利用辅助变量法辨识系统参数、。 实验原理： 设SISO过程采用如下数学模型 描述，其中和表示过程的输入输出；是零均值的有色噪声；且 并且假定模型的阶次已知。由于是有色噪声，直接利用最小二乘法不能获得模型参数的无偏一致估计，这时可以利用辅助变量法，一起获得无偏一致估计。 一次完成算法 将模型化为最小二乘格式 或 根据最小二乘知识，参数的最小估计值为 其中 由Frechet定理知 如果是白噪声，则，那么 如果不是白噪声，一般。为了使不是白噪声得情况下，仍有，定义一个辅助变量矩阵 = 使之满足以下两个条件： ①是非奇异阵； ②，即与独立。其中，称作辅助变量。 如果所用辅助变量能满足上述两个条件，则有 (*) 其中称作辅助变量参数估计值。可见只要适当选择辅助变量，使之满足以上两个条件，参数就可以是无偏一致估计。 辅助变量的选择 选择辅助变量的基本原则就是上述两个条件必须满足。如果采用图a所示的作为辅助变量，置 图a 辅助变量的选择 当是持续激励信号时，必有是非奇异的，且因只与有关，即必与噪声无关；故有。这样辅助变量常有以下几种选择方法： 自适应滤波法 把图a中辅助模型看成自适应滤波器时，辅助变量可按如下关系 或 (**) 取0.01~0.1；取0~10 求得。 纯滞后法 当图a中的辅助模型为纯滞后环节时，辅助变量取作 其中，是多项式的阶次。此时，可写成 当是持续激励信号，且与噪声无关，则辅助变量可满足上述两个条件。 Tally原理 如果噪声可看成下列模型的输出 其中，是零均值的不相关噪声；且 则辅助变量取作 即 可满足上述两个条件，显然，只要输入信号是持续激励信号，条件①即可满足。另外，由于输入信号与噪声无关，故有 且 那么 则条件②也满足。 递推算法 将(*)式一次完成算法写成 定义 则和推导最小二乘递推算法一样，辅助变量法的递推算式(简称RIV)可以写成 式中，为辅助向量，如果辅助变量选取(**)式，则需要用最小二乘法先递推若干步，以获取初步参数估计值，作为辅助变量法的递推初始状态。 实验步骤 输入信号的产生 输入信号采用4阶M序列，特征多项式取，幅度为1，循环周期为。 噪声的产生 图b 仿真系统 如上图所示，由经过噪声模型后产生。要求为服从分布的不相关随机噪声；控制λ值，是数据的信噪比为23%。 辅助变量的选择 使用Tally原理给出辅助变量，辅助变量取做，则辅助变量可写成： 其中，=2；=2；即 利用辅助变量法进行参数估计 (1)初始化系统辨识初值：根据题目要求：=0.001, P(0)=I (2)由于辅助最小二乘算法对初始值P(0)敏感，因此采用最小二乘算法（LS）进行辨识算法的起步，即用最小二乘辨识方法辨识前100步，然后用辅助最小二乘算法辨识。否则可能辨识没有可靠的收敛性； 计算残差ε(k)}的统计性质； 计算阶跃响应。 图c 幅度为1的4阶M序列 图d RIV参数估计值的变化过程 图e ls参数估计值的变化过程 图阶跃响应比较表1 RIV算法的辨识结果（噪信比η=2%） 参 数 a1 a2 b1 b2 静态增益 噪声均值 噪声方差 真 值 -1.5 0.7 1.0 0.5 7.5 0.0 0.2估计值 -1.50.7100 0.9064 0.4975 7.5332 2.24E-2 0.2738 表2 阶跃响应比较 k 模型阶跃响应 过程阶跃响应 k 模型阶跃响应 过程阶跃响应 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0.0553 0.0543 1.2950 3.1685 5.4466 7.4350 8.9429 9.2900 9.4649 8.9030 8.5585 7.7741 7.0527 6.5679 6.4264 0 0.0553