系统辨识实验二.docVIP

《系统辨识》实验二要点 实验二 递推最小二乘估计(RLS)及模型阶次辨识(F-Test） 一、实验目的 ① 通过实验，掌握递推最小二乘参数辨识方法 ② 通过实验，掌握F-Test模型阶次辨识方法 二、实验内容 1、仿真模型 实验所用的仿真模型如下： 框图表示 模型表示 其中u(k)和z(k)分别为模型的输入和输出变量；v(k)为零均值、方差为1、服从正态分布的白噪声；为噪声的标准差（实验时，可取0.0、0.1、0.5、1.0）；输入变量u(k)采用M序列，其特征多项式取,幅度取1.0。 2、辨识模型 辨识模型的形式取 为方便起见，取，即 根据仿真模型生成的数据和，辨识模型的参数；并确定模型阶次n ，同时估计出模型误差的方差（应近似等于模型噪声的方差，即为）和模型的静态增益K。 3、辨识算法 ① 采用递推遗忘因子法： 其中，遗忘因子(具体值根据情况自已确定)；数据长度L可取100、300、500；初始值。 ② 损失函数的递推计算： ③ 噪声标准差的估计 ④ 模型静态增益估计 4、F-Test定阶法 统计量t 其中，为相应阶次下的损失函数值，为所用的数据长度，为模型的估计阶次。 若,拒绝,若,接受，其中为风险水平下的阀值。这时模型的阶次估计值可取。 注：F分布值表（风险水平） 阀值 自由度1 自由度2 2 100 3.09 300 3.03 500 3.01 5、噪信比计算 ● 噪信比定义 噪信比 其中，为噪声方差，为过程输出方差。 ● 过程输出方差的计算 其中，积分围线是z平面内沿逆时间方向的单位圆圆周。若定义 式中 则有 6、计算性能指标 ① 参数估计平方相对偏差 ② 参数估计平方根偏差 ③ 静态增益估计相对偏差 三、程序流程（供参考） 四、实验步骤 (1) 掌握最小二乘递推算法和F-Test模型阶次辨识的基本原理。 (2) 设计实验方案。 (3) 编制实验程序。 (4) 调试程序，研究实验问题，记录数据。 (5) 分析实验结果，完成实验报告。 五、实验报告 实验报告包括实验方案设计、编程说明、源程序清单、数据记录、结果分析、误差计算、数据列表、曲线打印、实验体会等。 1 z(k) u(k) v(k) + + e(k) u(k) z(k) G(z-1) y(k) y(k) e(k) 启动 定维 输入数据u(534)，输出数据z(534)，M序列M(5) 参数估计向量THETA(8)，数据向量h(8)，协方差矩阵P(8,8) 损失函数J(4)，噪声标准差LAMBDA 赋初值 生成M序列参数：a=1, P＝4, M(0),…,M(5)不能全为0 生成白噪声参数：M＝32768, A=179, x0=11 人机对话 噪声标准差：Lambda；数据长度：L；遗忘因子： Model Order: from Nbeg to Nend 过程仿真 生成M序列；生成白噪声；生成过程输入和输出数据 设定模型阶次，从Nbeg到Nend 模型参数估计：RLS算法 损失函数计算 模型阶次辨识 打印实验结果及性能指标 计算性能指标