系统辨识与参数估计大作业解决方案.doc

系统辨识与参数估计大作业 第一题 递推最小二乘估计参数 考虑如上图所示的仿真对象，选择模型结构为： ，其中是服从正态分布的不相关随机噪声；输入信号采用4阶逆M序列，特征多项式取，幅度为1，循环周期为；控制值，使数据的噪信比分别为10％，73％，100％三种情况。加权因子；数据长度L=500;初始条件取， 利用递推最小二乘算法在线估计参数， 利用模型阶次辨识方法（AIC准则），确定模型的阶次。 估计噪声的方差和模型静态增益 作出参数估计值随时间的变化图 答： 设过程的输入输出关系可以描述成 是输出量，是可观测的数据向量，是均值为0的随机噪声 选取的模型为结构是 加权最小二乘参数估计递推算法RWLS的公式如下， 为了把p(k)的对称性，可以把p(k)写成 如果把设成1的时候，加权最小二乘法就退化成最小二乘法。 用AIC准则定阶法来定阶，所用公式 其中模型参数和 噪声方差的极大似然估计值为 ， AIC 的定阶公式写成 取分别计算，找到使最小的那个作为模型的阶次。一般说来，这样得到的模型阶次都能比较接近实际过程的真实阶次。 信噪比为10%时： 参数 a1 a2 b1 b2 噪声方差 静态增益 模型阶次 真值 -1.5 0.7 1 0.5 1 估计值 -1.519 0.72259 1.0314 0.50923 1.0951 7.5661 2 信噪比为73%时： 参数 a1 a2 b1 b2 噪声方差 静态增益 模型阶次 真值 -1.5 0.7 1 0.5 1 估计值 -1.519 0.72259 1.0314 0.50923 1.0951 7.5661 2 信噪比为100%时： 参数 a1 a2 b1 b2 噪声方差 静态增益 模型阶次 真值 -1.5 0.7 1 0.5 1 估计值 -1.519 0.72259 1.0314 0.50923 估计值 7.5661 2 源程序： %function [a1 a2 b1 b2 na nb fangcha Kk]=rwls(L,syn,Np) %na,nb为模型阶次，fangcha为噪声方差，Kk为静态增益 a1=0;a2=0;b1=0;b2=0;na=0;nb=0;fangcha=0;Kk=0; L=500;Np=62;syn=1; x(1:4)=[1 0 1 0]; for i=1:Np temp=xor(x(1),x(4)); M(i)=x(4); for j=4:-1:2 x(j)=x(j-1); end x(1)=temp; end S=ones(1,Np);%先产生一个全是1的序列S if mod(Np,2)==0%判断Np是奇数还是偶数 p=Np/2; else p=(Np-1)/2; end for j=1:p S(2*j)=0;%将S序列的偶数位值均置为0，从而使S序列是0或1的方波序列 end IM=xor(M,S); %使用M序列与方波序列S复合生成逆M序列IM u=IM*2-1; for i=(Np+1):L u(i)=u(i-Np); end randn(seed,2); v=randn(1,L); syms c; y(1)=0; y(2)=u(1); e(1)=c*v(1); e(2)=1.5*e(1)+c*v(2); for i=3:L y(i)=1.5*y(i-1)-0.7*y(i-2)+u(i-1)+0.5*u(i-2); e(i)=1.5*e(i-1)-0.7*e(i-2)+c*v(i); end m=sum(e.^2); n=sum(y.^2); %c=solve(m/n-syn*syn,c); c=solve(m/n-syn*syn); c1=abs(double(c(1))); z(1)=c1*v(1); z(2)=u(1)+1.5*z(1)+c1*v(2); for i=3:L z(i)=1.5*z(i-1)-0.7*z(i-2)+u(i-1)+0.5*u(i-2)+c1*v(i); end cta=zeros(4,L); cta(:,1)=[0.001 0.001 0.001 0.001]; P=diag([10^6 10^6 10^6 10^6]); %k=2时 h=[-z(1) 0 u(1) 0]; K= P*h*inv(h*P*h+1); P=P-K*K*(h*P*h+1); cta(:,2)=cta(:,1)+K*(z(2)-h*cta(:,1)); for k=3:L h=[-z(k-1) -z(k-2) u(k-1) u(k-2)]; K=P*h*inv(h*P*h+1); P=P-K*K*