系统辨识案例.ppt

模型验证的原理如图所示，其中 p≥ 1 * (b) 检验残差的白色性也是一种简单且有效的方法。在相同输入驱动下当系统模型的输出与系统的输出之差具有很好的白色性则模型的特性较好地表达了系统的动态特性。 (c) 因为辨识所用的输入信号和正常工况下的输入信号不一样，而辨识的主要目的是为了控制，也可用正常工况下系统的输入检验模型和实际系统的输出是否吻合，以确定模型的有效性。 * (d) 利用不同时间区段内采集的数据，分别建立模型。如果模型的特性基本相符，则模型是可靠的。 (e) 利用两组不同的数据，独立辨识出模型，并分别计算出损失函数，然后数据交叉使用再计算出损失函数。如果没有明显变化则模型是可靠的。 (f) 增加辨识中的数据长度，如果损失函数不再显著下降，则模型是可靠的。 * * 举例：最小二乘参数估计 考虑如下线性模型： 最小二乘估计即最小化如下误差： * 上式可简化为： 其中： * 对x求导并等于零： 得到的批处理最小二乘估计值为： * 例1-1： 量测方程为： 被估参数为： 求参数x的批处理最小二乘估计 * 批处理最小二乘结果： * 线性递推最小二乘的一个循环的公式为： 或： * 例1的递推公式为： 第一章完 * * 模型的其他分类1 解析模型：代数方程、微分方程、差分方程、状态方程 程序模型：神经网络仿真程序 语言模型：模糊关系模型 * 模型的其他分类2 线性与非线性：系统线性和关于参数空间线性、本质和非本质线性 动态与静态： 确定性与随机性： 宏观与微观： * 3 建模方法 机理法：“白箱”理论。 测试法：“黑箱”理论。 两者结合：“灰箱”理论。 模糊推理建模法：一种基于模糊推理的关于控制系统的建模方法。 * 统计数据推演法：某些系统和过程，如地震过程、生态系统、气候变化过程等，其外部激励往往不能测量。此时只能利用（输出的）统计数据来进行建模。一般称这种方法为时间序列建模法。 * 建模的基本原则： 目的性：明确建模的目的，如控制、预测等。因为不同的建模目的牵涉到的建模方法可能不同，它也将决定对模型的类型、精度的要求。 实在性：模型的物理概念要明确。 * 可辨识性：模型的结构要合理，输入信号必须是持续激励的；另外数据要充足。 节省性：待辨识的模型参数个数要尽可能地少。以最简单的模型表达所描述的对象特征。 * 二 系统辨识 1 辨识定义 Zadeh对辨识的定义（1962年） 辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。 * Liung 对辨识的的定义（1978年） 系统辨识有三个要素——数据、模型类和准则。系统辩识是按照一个准则，在模型类中选择一个与数据拟合得最好的模型。 Liung 认为，实际系统的复杂性很难找到一个适用的模型与之等价。因此，系统辩识的任务只是要求从输入输出数据出发，找到一个与实际系统相逼近的模型。该定义体现了逼近的观点。 * 系统辩识三要素 （1） 输入、输出数据：这是辨识的基础。 在进行辨识前,首先要设计合理的输入数据,使其能充分激励系统。主要包含： a 信号的频谱对于辨识对象要足够宽,最好采用白噪声信号。 b 信号不会对系统的正常工作产生影响.即幅值不能过大;不应该有直流干扰。 * （2） 模型类：指要寻找什么类型的模型，即确定描述系统的模型类型。 模型有静态和动态；线性和非线性；确定和随机模型之分。 静态系统任一时刻t的输出仅取决于此时刻的输入； 动态系统的输出则取决于某一段时间[ t1 , t2 ]内的输入和输出，即动态系统是有记忆功能的。 如果［t1,t2 ］是有限区间，则称动态系统具有有限记忆。 * 若t2 ≤ t ，则此刻输出仅取决于以往的输入和输出。此时称系统是因果的，一般的物理系统都是具有无限记忆的因果系统。 当系统的输入u（t）、输出y （ t ）之间的关系满足叠加原理时，称为是系统线性的。否则系统是非线性的。如果系统输出关于参数空间是线性的，则称为系统关于参数空间线性。 * 有些系统模型本来为非线性的，但经过适当的数学变换可以成为线性模型，则这种系统原来的模型称为本质线性，否则称为本质非线性。 此外,还有确定性和随机模型.如果系统模型的输出完全能够由输入决定，则为确定性模型，否则为随机模型。 * （3）等价准则： 它是用来衡量模型接近实际过程的标准。通常用一个误差泛函来表示，所以又称为误差准则或损失函数。 函数的一般形式： J（θ）=∑f(ε(k)) 常用形式： * 输出误差准则： U(k) w(k) Z(k) ε(k) 过程 模