第09-3讲 鲁棒辨识.pptVIP

第九讲 现代辨识方法选讲 --3 鲁棒辨识 控制就是有目的地修正动力学系统的行为,以达到预期的目标. 控制问题的解决,要用能反映内在物理本质的精确数学术语描述系统的动态规律,然后运用适当的数学工具求取问题的解. 但是,绝大多数系统本身存在着不确定性,有的甚至本质上是不可完整认识的,从而给建模带来了特殊的困难. 源于这一背景发展起来的鲁棒控制理论,则允许在系统存在一定不确定性的情况下,对模型集实现预期的控制性能. 然而,如何从系统的输入输出数据及一定的验前信息得到体现系统不确定性的模型集估计?;围绕这一主题,近十年来,各种不同形式的鲁棒辨识理论得到了广泛的研究. 下面从系统模型集描述方式的角度,回顾鲁棒辨识理论的发展概况,指出了现今需要解决的问题,并对值得研究的方法提出了自己的观点,具体的内容为: 模型集的描述方法 基于非参数模型的鲁棒辨识 基于参数模型的鲁棒辨识 参数、非参数混合模型鲁棒辨识方法 结论与展望;5.1 模型集的描述方法 传统的辨识问题,模型结构通常事先给定,待确定的只是模型的参数,而不直接考虑系统的不确定性,辨识结果是某一准则下最优的单一模型. 鲁棒辨识则要求获取待辨识系统的一个模型集估计,保证真实系统落在该模型集内. 因此,面临的首要问题就是选择适当的模型集描述方法,针对各种模型集描述,运用不同的分析手段,以发更多不同的辨识算法和理论结果. 下面简单综述鲁棒辨识中常用的控制系统模型—非参数模型与参数模型.;非参数模型 时域的脉冲响应和频域的频域响应(Bode曲线或Nyquist曲线),是最基本的非参数模型. 由于频域响应具有明确的工程意义,非参数模型的不确定性通常用名义系统的传递函数及其误差界描述,可十分明了地反映出各频段的不确定性; 不过,在掌握一些附加信息(如相位信息)的情况下,这样的表示一般过于保守.;参数模型 对于参数模型的描述,最自然的想法是直接利用描述系统动态的参数模型,在参数空间内确定一个能体现该系统动态(包括不确定因素)的子集. 这种方法的一个明显的优点是可以明确地以具有确定物理意义的模型参数的变化范围直接反映系统的不确定性,但要求对系统有相当的了解,而且模型的阶一旦确定,就不能改变.;5.2 基于非参数模型的鲁棒辨识 下面先讨论非参数模型的鲁棒辨识问题,主要内容有 H?鲁棒辨识问题 l1鲁棒辨识问题;5.2.1 H?鲁棒辨识问题 H?辨识问题可以大致描述为:已知: 待辨识系统f的传递函数模型集M的验前信息,一个经常研究的重要的模型集是所有指数稳定系统的集合; 频率点数据的噪声验前信息?,它反映了验前信息中的未建模动态以及测量数据中的外界污染噪声,??l?是一有界但未必解析的函数,满足||?||???;　　 由实验算子确定的N个频域点数据的验后信息,即;满足;下面分别讨论： 两步结构H?鲁棒辨识算法 基于信息复杂度理论的H?鲁棒辨识方法 基于线性规划转换的辨识算法;(1) 两步结构H?鲁棒辨识算法 Helmicki首先提出H?鲁棒辨识的概念,同时给出了一种具有鲁棒收敛性的非线性辨识算法,它基于如下的两步结构: 第1步: 根据给定数据EN,k(f,?),k=0,1,…,N-1,构造f的一个L?逼近f^,此时对f^可以不要求稳定性及有理性约束;　　 第2步: 在H?空间寻找一个与f^距离最近的函数fid,即;对于该辨识算法的第1步,Helmicki等通过在单位圆上进行分段线性插值,把辨识误差的L?误差界中有外界噪声和系统未建模动态引起的误差,分离为互不相关的两项; 而第2步涉及到的优化问题,可转化为著名的Nehari问题,从而通过构造f^的Hankel矩阵获得求解. 受Helmicki分段插值思想的启迪,相继发展了许多基于不同插值样条逼近的鲁棒收敛的两步结构非线性辨识算法.;Gu等分析了上述鲁棒收敛的两步非线性辨识方法,认为Helmicki方法中由分段线性插值导出的衰减因子,起着类似于数字信号处理中窗函数的作用, 而通过一定的窗函数的选取,相当于在辨识算法中加入适当的Lipschitz平滑限制条件,从而起到滤除噪声的作用,可避免噪声相关误差项的发散. 基于这一思想,Gu等建立了使两步辨识算法鲁棒收敛的窗函数应满足的充分必要条件,并指出Makila的鲁棒辨识算法演变为采用不同窗函数的特例.;(2) 基于信息复杂度理论的H?鲁棒辨识方法 信息复杂度理论(IBC)是用于解决逼近与插值问题的一种技术. 应用于H?鲁棒辨识的信息复杂度方法与参数式集员辨识理论相似,也是建立在对可行集合的分析之上.;称;称满足下述条件的c?F;在信息复杂度理论的框架下,通过利用Caratheodory-Fejer和Nevanlinna Pick插值,基于频域数据样本, Chen等建立了对应于离散系统的鲁棒辨识算法; Gu等则建立