CH2-6-xnew.pptVIP

* * * * * * * * * * * * * * * * * * 其中静态增益 K ? bi ? 1+? aI 以不同的采样间隔 ?T 1s, 4s, 8s, 16s，进行采样， 得出的离散模型参数如下表。由该表可见 ?T 值太大 或者太小都会造成不利影响。 若?T 值太大，模型对动态特性描述就变得不精确了 ，当?T 8s 时模型退化为二阶，而?T 16s时模型退化为一阶； ?T（秒） 1 4 8 16 a1 -2.48824 -1.49863 -0.83771 -0.30843 a2 2.05387 0.70409 0.19667 -0.02200 a3 -0.56203 -0.09978 -0.00995 -0.00010 b0 0 0 0.06535 0.37590 b1 0.00462 0.06525 0.25598 0.32992 b2 0.00169 0.04793 -0.02850 0.00767 b3 -0.00273 -0.00750 -0.00074 -0.0001 d 4 1 1 1 ? bi 0.00358 0.10568 0.34899 0.71348 1+? ai 0.00358 0.10568 0.34899 0.71348 若?T 值太大，模型对动态特性描述就变得不精确了，当 ?T 8s 时模型退化为二阶，而?T 16s时模型退化为一阶；如果?T 值太小，带来的问题是参数估计的微小误差都会对模型的输入/输出特性造成显著影响，甚至 bi 的小数点后第4、5位的值都会影响到 ? bi 的值。 模型唯一性？ 恰当的标准？ * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 模型的一步预报误差为 ? k y k - ?kT ?k-1 ^ ^ 将 ?2 k 与事先给定的 m1 值相比较 m1 0 当 ?2 k m1 时选择较小的 ? 值 当 ?2 k ≤m1 时选择较大的 ? 值 一般选择 m1 （4~6）? Var ? k ^ ^ 四、 算法的改进 1 变 ? 算法 ^ 2 变 P 算法 将 ?2 k 与事先给定的 m2 值相比较 m2 0 当 ?2 k m2 时将P 阵重新置为：106 I ^ ^ 3） 附加 R 阵法： 只要在P 阵的递推公式上附加一个小小的正定附加方阵 R，即可大大提高 ? 的跟踪能力。即： ? 为事先给定的正值 ^ §2 — 6 模型阶数的辨识 与模型时滞的辨识 在估计模型参数时需要已知模型阶数，但是实际上模型阶数也是未知的，需要由输入/输出数据通过辩识得出。 阶数辨识（定阶）的特点 如果高阶模型相应的参数为零，可退化为低阶模型，即低阶模型可视为高阶模型的特例。 理论上高阶模型的精度不低于低阶模型，但是考虑到计算机的舍入误差的影响，过高的阶数亦能引起模型精度的下降。一般说低阶模型描述粗糙，高阶模型精度高，但是代价亦大。 根据逼近的观点，定阶往往是考虑多种因素的折衷。 定阶一般是按照假设——检验的步骤进行，检验过程中往往带有主观成分。 p+1 X 2L 一、积矩阵法 p+1 X 2L T GTG 2LX2L方阵 因为若噪声为零时，T的秩为Min n+L,2L 所以计算det T , 使其不等于零的最大n. 问题：实际系统有噪声，取 二、?? 按照品质指标“残差平方总和”定阶  在不同的模型阶数的假设下，参数估计得到的J n 值 亦不同。定阶的最简单办法是直接用J n 。 ^ ^ 设模型阶数的“真值”为n0 , 当n n0时随着n的增加，J n 值将明显的下降； 而当 n ? n0 时随着n的增加，J n 值变化将不显著。 证？ 因此，由J n 曲线随着n的增加最后一次陡峭下降的 n值定做 n 的估计值。  ^ ^ ^ ^ ^ ^ ^ ^ 该方法缺点： 由于 N 值有限和样本缺陷等原因，可能导致J n 曲线陡度变化不明显，或者有不规则起伏，使n 很难判断。 改进： 用数理统计的统计检验方法，判断n 的增加使得J n 值改善是否明显。常用F检验法。 ^ ^ ^ 三、 用 F 检验的定阶方法 用数理统计的F检验方法判断，当阶数由n1 增至n2 时（n2 ? n1），J n2 是否较J n1 有显著性改善？ 可以证明，当N 足够大时，t 渐进地服从于数理统计的F f1, f2 分布，其中F