基于行列式比的阶次和参数同步递推辨识算法.docVIP

基于行列式比的阶次和参数同步递推辨识算法 　　摘 要： 　　针对输出误差模型，结合辅助模型的思想对原有阶次辨识和参数估计的方法进行融合和扩展，推导出基于辅助模型的行列式比定阶法，同时得出模型的阶次和参数，不仅减少了辨识过程的计算量，也节约了辨识时间。考虑到原有行列式比定阶法可能存在的不准确性，提出了一种系统模型的确认方法，增强了阶次辨识能力。仿真实验也充分表明，对行列式比定阶法的扩展不仅可以准确地辨识出系统的阶次，得出的参数估计值也有较高的精度。 　　关键词：阶次辨识；参数估计；行列式比定阶法；辅助模型；最小二乘 　　中图分类号： TP273 　　文献标志码：A 　　Simultaneous recursive identification algorithm of system order and 　　parameters based on determinant ratio method 　　Abstract： 　　Concerning the output error model， order identification and parameter estimation were integrated and extended， and the determinant ratio method based on the auxiliary model was put forward. The system order and parameter estimation were got simultaneously with this method， so it could reduce calculation time in the process of system identification. Considering the inaccuracy of the determinant ratio method， a model validation method was proposed to enhance the identification ability. At last， the simulation indicates that the expended determinant ratio method effectively estimates the system order and parameters. 　　Key words： 　　order identification；parameter estimation；determinant ratio method；auxiliary model；least-squares 　　0 引言 　　系统辨识是利用输入输出数据建立系统数学模型的理论和方法[1]，它包含系统结构辨识和参数估计。参数估计是知道模型的结构之后，用输入输出数据确定模型中的未知参数的过程；而结构辨识需要依靠先验知识，当没有模型结构的先验知识时，如何利用输入输出数据确定模型的结构，也是系统辨识研究的一个重要内容[2]。 　　关于系统阶次辨识和参数估计的方法，不同学者提出了众多辨识方法。文献[3-4]中列举了一些确定差分方程阶次的方法，如Hankel矩阵法、行列式比值法、F校验法、AIC（Akaike Information Criterion）法和最终预报误差准则法等[5-6]。模型参数辨识的方法也有很多，如最小二乘算法、梯度辨识方法、辅助模型辨识算法和多新息辨识方法等。其中辅助模型辨识方法主要是借助一个辅助模型来解决模型信息向量中存在未知项的辨识难题[7]。 　　这些模型阶次和参数辨识的研究，大都是把系统的阶次和参数分开进行辨识的，然而模型阶次和模型参数的辨识同属于一个问题，即系统辨识，把这两个问题分开来求解，显然增加了辨识的工作量，也延长了辨识过程。如果可以把模型阶次和参数的辨识同步完成，则会减少一定的计算量和辨识成本，因此同时估计系统参数和阶次的辨识方法更具有研究意义[8]。考虑到行列式比定阶法是通过输入输出数据来确定模型阶次，而参数辨识常用的递推最小二乘算法也用到了系统的输入输出数据，本文把行列式比定阶法和辅助模型辨识方法扩展为模型阶次和参数同步辨识的方法，该方法无论在理论研究方面还是实际应用上都具有一定的意义。 　　1 输出误差模型的行列式比定阶法 　　利用行列式比估计模型阶次的方法称为行列式比定阶法，其基本思想类似于Hankel矩阵判秩定阶法，但是行列式比定阶法是利用输入输出数据[3]。然而该方法仅仅得到了模型的阶次，如果能够充分利用阶次辨识的计算过程，便可以同步得到模型参数的辨识。本文将此方法用于输出误差类模型（如图1所示）的