第4章最小二乘参数辨识方法及原理范例.ppt

3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 例3.5 对3.4采用递推最小二乘估计辨识模型参数 选择如下的辨识模型进行递推最小二乘参数辨识。 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 数据饱和后，由于递推计算的舍入误差，不仅新的观测值对参数估计不起修正作用，反而使 失去正定性，导致估计误差增加。 数据饱和 3.3 递推最小二乘法原理及算法 当系统参数随时间变化时，因新数据被旧数据所淹没，递推算法无法直接使用。为适应时变参数的情况，修改算法时旧数据的权重(降低)，增加新数据的作用。 主要方法有数据窗法和Kalman滤波法。 数据窗法主要有矩形窗和指数窗。 2.2 一般最小二乘法原理及算法 2.2 一般最小二乘法原理及算法 2.2 一般最小二乘法原理及算法 2.2 一般最小二乘法原理及算法 最小二乘法的几何解释 2.2 一般最小二乘法原理及算法 最小二乘法的几何解释 2.2 一般最小二乘法原理及算法 最小 证明： 2.2 一般最小二乘法原理及算法 如果由测量噪声及模型误差等引起的误差v 的均值为0，且 v 与输入矢量X是统计独立的，最小二乘的估计值是无偏的。 证明： 根据第（1）式的证明，显然有 2.2 一般最小二乘法原理及算法 证明： 2.2 一般最小二乘法原理及算法 2.2 一般最小二乘法原理及算法 解：由题意得量测方程 2.2 一般最小二乘法原理及算法 2.3 加权最小二乘法原理及算法 一般最小二乘估计精度不高的原因之一是对测量数据同等对待 各次测量数据很难在相同的条件下获得的 有的测量值置信度高，有的测量值置信度低 对不同置信度的测量值采用加权的办法分别对待 置信度高的，权重取得大些；置信度低的，权重取的小些 2.3 加权最小二乘法原理及算法 2.2 加权最小二乘法原理及算法 2.3 加权最小二乘法原理及算法 2.3 加权最小二乘法原理及算法 马尔可夫估计? 2.3 加权最小二乘法原理及算法 例3.2 用2台仪器对未知标量各直接测量一次， 量测量分别为z1和z2，仪器的测量误差均值为0，方 差分别为r和4r的随机量，求其最小二乘估计，并 计算估计的均方误差。 2.3 加权最小二乘法原理及算法 解：由题意得量测方程 例3.4 考虑仿真对象 选择如下的辨识模型进行一般的最小二乘参数辨识。 2.3 加权最小二乘法原理及算法 4阶M序列 输出信号 一般最小二乘参数辨识流程图 3.3 递推最小二乘法原理及算法 一般最小二乘或加权最小二乘为一次完成算法或批处理算法。 计算量大、存储大、不适合在线辨识。 采用参数递推估计——递推最小二乘算法。 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 如果设 则有 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 令 3.3 递推最小二乘法原理及算法 3.3 递推最小二乘法原理及算法 * * 系统辨识 第4章 最小二乘参数辨识方法 主讲教师：赵龙 办公地点：新主楼E402 网 站： Email：flylong@ 1、最小二乘辨识的基本概念 2、一般最小二乘辨识方法 3、加权最小二乘辨识方法 4、递推最小二乘参数辨识方法 5、增广最小二乘辨识方法 6、多变量最小二乘辨识方法 本章内容 本章的学习目的 1、掌握最小二乘参数辨识方法的基本原理 2、掌握常用的最小二乘辨识方法 3、熟练应用最小二乘参数辨识方法进行模型参数辨识 4、能够编程实现最小二乘参数辨识 1、问题的提出 1、问题的提出 辨识目的：根据过程所提供的测量信息，在某种准则意 义下，估计模型的未知参数。 Process Input Output 工程实践 目 的 模型结构 参数辨识 模型校验 模型确定 1、问题的提出 极大似然：构造一个以数据和未知参数为自变量的似然函数。 Process Input Output 要求：独立观测条件下，知道输出量的概率分布 缺点：输出量概率密度分布未知，极大似然无法工作 计算量大，得不到解析解 ∫ ∫ 加速度计 ∫ Z X Y 陀螺仪 x y 0 运动轨迹 x1 y1 1、问题的提出——惯性器件标定 陀螺仪 加速度计 1、问题的提出——惯性器件标定 零偏 标度因数 输出轴灵敏度误差系数 摆轴灵敏度误差系数 二阶非线性误差系