第6章梯度校正参数辩识方法范例.pptVIP

* 12.2 极大似然法和预报误差方法 * 引言 极大似然法 一种非常有用的传统估计方法 由 Fisher 发展起来的 基本思想可追溯到高斯（1809 年） 用于动态过程辩识可以获得良好的估计性质 * 最小二乘法和梯度校正法 计算简单 参数估计具有优良的统计性质 噪声的先验知识要求也不高 极大似然法 基本思想与最小二乘法和梯度校正法完全不同 * 极大似然法 需要构造一个以数据和未知参数为自变量的似然函数 通过极大化似然函数获得模型的参数估计值 * 意味着 模型输出的概率分布将最大可能地逼近实际过程输出的概率分布 通常要求具有能够写出输出量的条件概率密度函数的先验知识 独立观测的条件下，必须知道输出量的概率分布 在序贯观测的条件下，需要确定基于 时刻以前的数据在 时刻输出量的条件概率分布 * 预报误差方法 需要事先确定一个预报误差准则函数 利用预报误差的信息来确定模型的参数 某种意义上 与极大似然法等价的 或极大似然法的一种推广 * 极大似然法和预报误差方法 优点：参数估计量具有良好的渐近性质 缺点：计算量比较大 * 极大似然原理 设 是一个随机变量 在参数 条件下 的概率密度函数为 的 个观测值构成一个随机序列 个观测值记作 则 的联合概率密度为