第七章 辨识系统简介.ppt

7.4 时间序列模型及其简介 一、均值非平稳过程 均值非平稳过程指随机过程的均值随均值函数的变化而变化。 我们可以引进两种非常有用的均值非平稳过程：确定趋势模型和随机趋势模型。 （一）确定趋势模型 当非平稳过程均值函数可由一个特定的时间趋势表示时，一个标准的回归模型曲线可用来描述这种现象。 （二）随机趋势模型 随机趋势模型又称齐次非平稳ARMA模型。为理解齐次非平稳ARMA模型，可先对ARMA模型的性质作一回顾。 二、方差和自协方差非平稳过程 一个均值平稳过程不一定是方差和自协方差平稳过程，同时一个均值非平稳过程也可能是方差和自协方差非平稳过程。 不是所有的非平稳问题都可以用差分方法解决，还有期望平稳和方差非平稳序列，为了克服这个问题，我们需要适当进行方差平稳化变换。 可得 的最小二乘法估计 为了求估值 ，要求 ，如果 太大，则要花费大量机时计算 ，因此 不能太大。由于这种限制，使得估计量 的精度不如第一种方法。当 ， ， 。所以 仍为一致性和无偏性估计。 第三步：噪声模型的辨识与第一种方法相同。 式中 (14-68) (14-69) 应用最小二乘法求出 的估值 (14-70) 将式(14-64)代入式(14-61)，得 (14-71) 上式可写为 (14-72) 令 (14-73) (14-74) 则有 (14-75) 即 (14-76) 式(14-75)或式(14-76)中， 为不相关随机序列，故可用最小二乘法求得参数 ； 的一致性无偏估计。因此广义可用最小二乘法的基础上的。 广义最小二乘法辨识的计算步骤如下： ⑴ 应用已得到的输入和输出数据 和 ，按已知模型 求出 的最小二乘估计 (14-77) ⑵ 计算残差 或 (14-79) 用残差 代替 ，利用式(14-70)可得 的估值 (14-80) 式中 实际上，即使 的阶数选得低一些，也能得到较好的结果。 ⑶ 计算 ⑷ 应用得到的 和 ，按模型 再用最小二乘法重新估计 ，得 的第2次估值 。然后按步骤⑵计算残差 。重新估计 ，得到估值 。再按步骤⑶计算 和 ，按步骤⑷求 的第3次估计 。重复上循环步骤，直到 的估值 收敛为止。 上述循环的收敛性可用下式判断： 当 较大时，若 近似为1，则意味着 残差已白噪声化了 ，数据不需要继续滤波了。这时得到的估值与上一次循环相同。这就是说，经过 次循环，计算结果就收敛了，估值 就是参数向量 的一个良好估计。 广义最小二乘法的优点是估计的效果较好，缺点是计算较麻烦。另外，对于循环的收敛性还未有证明，并非总是收敛于最优估值上。为了获得较好的结果，参数估计的初值应尽量选得接近最优参数估值。在没有验前信息的情况下，最小二乘估值是最好的初始条件。 递推广义最小二乘法用于在线辨识。由上一节得到以下得式： (14-81) (14-82) (14-83) (14-84) (14-85) (14-86) 广义最小二乘法的递推过程可分成两部分：⑴按递推最小二乘法，随着N的增大不断计算 ；⑵在递推过程中 是变化的，因此 也随之变化。所以要不断计算 、和 。 式中 由式(14-86)可给出 (14-87) 参照递推最小二乘法公式，可得 (14-88) (14-89) (14-90) (14-91) (14-92) (14-94) (14-95) (14-93) 为从 到 所组成的矩阵块， 表示这些多项式中的系数用相应的估值来代替。 式中 (14-96) (14-98) (14-97) (14-99) (14-100) 递推广义最小于乘法有较好的计算效果。对于最小二乘法，递推计算与离线计算结果完全相同，而对广义最小二乘法，递推计算与离线计算结果不完全一样。 7.3.4 增广矩阵法辨识 是新息序列，具有白噪声特性。 随机单输入－单输出系统的差分方程为 (14-101) 式中 (14-102) 下面先扩充被估参数的维数，再用最小二乘估计系统参数。设 上述方程结构适宜于用递推