过程建模4-模型阶辨识技术总结.ppt

* * 上篇 线性系统建模 4 模型阶的辨识 在模型参数辨识时，都假定模型的阶次（模型的结构）是已知的。然而，在实际中，模型的阶往往是未知的！如果模型的阶取得不对，参数模型将产生很大的误差。因此，用某种方法来确定模型的阶是系统辨识中极其重要的一环。 考虑SISO线性定常系统（v(k)为白噪声过程） 4 模型阶的辨识 为了确定模型的阶，针对上述 所示的模型形式， 由一组输入 — 输出观测数据 { } ， 用同一种辨识准则 ( 如最小二乘准则 ) ， 依次辨识不同 阶n的模型参数 ] ... ,... [ 1 1 n n n b b a a ， ， ， ， = q ，并计算相应 的误差平方和准则函数（损失函数）为 的变化。 4 模型阶的辨识 一般地说，增加模型的参数个数（即增加模型的阶数n），损失函数 将随之减小。事实上，当参数个数等于输入信号和输出信号的采样次数L时， 可能会变成零，这时，一方面干扰已完全进入模型的参数（这并不是我们所希望的）；另一方面模型阶的增加，给模型的使用增添了复杂性。 因此，模型的阶必须选得恰当。介绍三种简单方法。 4.1 损失函数法 4.2 F检验法 4.3 AIC准则法 4.1 损失函数法 4 模型阶的辨识 4.1 损失函数法 4 模型阶的辨识 损失函数法，也称残差法或估计准则形态判定法，运用的关键是需要人为的经验确定 最后一次陡峭下降的标准。 4.2 F检验法 4 模型阶的辨识 4.2 F检验法 4 模型阶的辨识 为此，我们构造F统计量 式中N为样本长度，N大于n0 。数理统计的结论表明， 当 N 足够大时，统计量F 渐近地服从 ) , ( 2 1 f f F 分布 ， 其中， 自由度 ( ) 1 2 1 2 n n f - = ， 2 2 2 - = n N f 根 据假设检验理论 ， 如果上述F 大于临界值 ) , ( 2 1 f f F a ， 便 可以认为由 到 的减小是显著的 （显著性 水平 a ）。 4.2 F检验法 4 模型阶的辨识 利用上述结果，可以用逐次递增阶次n的方法，通过F检验来确定n，每增加一次阶次，就进行一次F检验，直到 和 无显著差别为止。这时，n2= n1+1 ，从而 服从F(2，N-2n2)分布。 4.3 AIC准则法 4 模型阶的辨识 AIC: Akaike Information Criterion 4.3 AIC准则法 4 模型阶的辨识 4.3 AIC准则法 4 模型阶的辨识 当模型的阶次估计值 低于真实阶次n0时，AIC准则中的似然函数L将随着 的增加不断增大，这意味着模型正在向实际过程逼近，相应的对数似然函数logL也随之不断增大，而且增长的速度要大于 的增加速度。——AIC的下降段； 当模型的阶次估计值 超过真实阶次n0时，logL的增长速度将大大放慢，模型已经比较接近真实过程，似然函数L不再有大的变化，这时的 增加速度就要超过logL的增长速度。——AIC上升段。 Akaike证明，AIC一定存在极小值，在极小值处的 可以作为合理的模型阶次。 4.3 AIC准则法 4 模型阶的辨识 求取模型的对数似然函数 ，经过化简，可以写为： 其中，L为数据长度，C表示常数。 基于此，可以将AIC(n)写为： 具体的定阶用法是：对不同阶次n首先用极大似然法或最小二乘法估计模型参数，然后计算误差平方和函数值J(n)，从而计算AIC(n)，找到使AIC(n)=min的 作为模型的阶次。 4.3 AIC准则法 4 模型阶的辨识 以上三种模型定阶方法均是针对式（1）所描述的线性定常SISO过程，假定过程噪声为零均值白噪声的条件下获得的。对于有色噪声干扰的模型定阶，本课程不作讲解，有兴趣的同学可查阅参考书目； 以上三种模型定阶方法均假定式（1）的方程中输入阶次na=输出阶次nb=n，是为描述简便起见。如果na≠nb，可同样运用这三种方法。 4.3 AIC准则法 4 模型阶的辨识 考虑如下仿真对象 其中，v(k)是均值为零，方差为1的白噪声； 辨识模型采用如下形式： 可以将AIC写为： 练习： 本节主要讲述线性离散动态系统（以差分方程描述）的最小二乘辨识算法