自适应控制副本绪论.doc

一 带遗忘因子的递推最小二乘估计 1.1 最小二乘理论 最小二乘最早的想法是高斯在1795年预测行星和彗星运动轨道时提出来的，“未知量的最大可能的值是这样一个数值，它使各次实际观测和计算值之间的差值的平方乘以度量其精确度的数值以后的和为最小”。这一估计方法原理简单，不需要随机变量的任何统计特性，目前已经成为动态系统辨识的主要手段。最小二乘辨识方法使其能得到一个在最小方差意义上与实验数据最好拟合的数学模型。由最小二乘法获得的估计在一定条件下有最佳的统计特性，即统计结果是无偏的、一致的和有效的。 1.2 带遗忘因子的递推最小二乘估计 1.2.1 白噪声 白噪声序列是一种最简单的随机序列。如果随机序列{v(k)}均值为零，且两两互不相关，即对应的相关函数为： 则这种随机序列称为白噪声序列。其谱密度函数为常数。白噪声序列的功率在到的全频段内均匀分布。 白噪声作为被辨识系统的输入时，可以激发系统的所有模态，可对系统充分激励，可防止数据病态，保证辨识精度。但是白噪声在工程上不易实现，而且工业设备的执行机构不可能按照白噪声的变化规律动作，因此工程上常采用易于实现的M序列作为辨识输入信号，它具有近似白噪声的性质。 M序列又称为伪随机序列，是由n级线性移位寄存器产生的周期为的码序列，是最长线性移位寄存器序列的简称,该序列不能预先确定但可以重复产生。本文M序列是由如图所示的4阶M序列的码序列发生器产生的，初始状态为0001。在时钟作用下，产生相应的输出序列为：100010011010111。 图2.1 4阶M序列的码序列发生器 M序列含有直流成分，会对辨识系统造成“净扰动”，而逆M序列能克服这一点，故此次作业中采用逆M序列来作为辨识输入信号。逆M序列的产生方法如下： 产生一个M序列M(k)； 产生一个0/1序列，记为S(k),其形式如S(k)=101010.......； 通过产生的M序列M(k)和S(k)做异或即可得到逆M序列，记为IM(k)； 1.2.2 遗忘因子最小二乘算法 假设被辨识的系统为一单入单出的离散时间系统，且已知为CAR模型，如图2.2所示： 图2.2 辨识系统的模型 此系统的数学关系可用如下差分方程描述，即： 其中 上式可以转化为： 式中，为输入变量，为输出变量，为均值为零的干扰信号。 将上式变为最小二乘的格式为： 取算法的性能指标为： 通过算法推导[1]可得，带遗忘因子的递推最小二乘估计的算法公式为： 公式表明，新的参数估计是用新的实际测量值与基于老模型进行预测得到的量之偏差，对前面的参数估计加以修正得到的，修正系数阵为。的物理意义是参数估计误差的方差，作为参数估计精度的一种度量。遗忘因子的作用是削弱过去数据的作用。 带遗忘因子的递推最小二乘估计算法属于在线辨识所用方法的一种，它既能克服离线辨识的缺点，也能克服递推最小二乘估计中的“数据饱和”现象。 1.3 仿真实例 考虑如下系统： 其中输入是幅值为1，周期为40的方波序列；干扰项是幅值为0.1，周期为15逆M序列。已知a,b,d。 算法程序步骤如下： Step 1：给输入和干扰项赋值； Step 2：设置初值、及遗忘因子，输入初始数据； Step 3：采样当前输出和输入，计算性能指标； Step 4：根据算法公式求出，和，同时； Step 5：k→k+1，返回Step3，继续循环，直到达到循环次数。 仿真结果图如下： 图3.1 输入u(k)的方波图 图3.2 白噪声干扰图 图3.3 输出y和辨识之后的输出yy的曲线 图3.4 参数的真值和估计值的曲线 图3.5 性能指标 辨识结果如下： 图3.6 辨识结果 二 广义最小方差自校正控制 当考虑干扰对系统的作用时，控制器的设计就是要最大限度的减小干扰对系统的影响。鉴于一般被控对象或过程都存在不同程度的纯迟延d，控制u(k)对系统的作用要到(k+d)时刻才有响应。在这段纯迟延的时间内，干扰仍会作用于系统，所以在k时刻预测(k+d)时刻的输出，并按照预测误差的方差最小的原则，设计现时控制u(k)，并加以实施。当过程参数未知，或者时变时，用递推最小二乘法估计，或者直接估计控制器参数，然后算出控制量来，这就是最小方差自校正控制的基本思想。而广义最小方差自校正控制就是在性能指标函数中引入加权多项式。 被控对象为 A()y(k)=B()u(k)+C()（4-1） 为纯迟延，y(k)和u(k)分别为输出和输入，为白噪声序列； 选择性能指标函数为： J=E{}(4-2) 式中，为期望输出；y(k+d)为第（k+d）拍的输出；u(k)为第k拍的控制；P()、R()和Q()分别为输出、期望输出和控制的加权多项式，它们分别具有改善闭环系统性能，软化输入和约束控制量的作用。并且 P