自适应控制第2章.pptVIP

第1部分系统辨识理论、方法及应用 第2章 系统辨识的最小二乘算法 2.1 最小二乘法原理 2.1.1 最小二乘基本原理 λ(t)=λ(0)+αt （2.1.1） 2.1.2 最小二乘的基本关系式 （1）最小二乘格式 （2）最小二乘问题的求解 准则函数的J二阶导数是 2.1.4 最小二乘估计的统计特性 (1)最小二乘估计的无偏性 （2）参数估计误差的协方差性质 （3）最小二乘估计的参数一致性 2.2.2 最小二乘估计的递推算法仿真例 2.3.1 渐消记忆的最小二乘递推算法 ρ2=μ(0μ1) 2.3.2 限定记忆的最小二乘递推算法 2.4 广义最小二乘法 2.4.1 广义最小二乘法GLS原理 2.4.2 广义最小二乘递推算法 考虑模型： 2.5 参数和状态的联合估计原理 其它辩识方法随机逼近法、极大似然法、预报误差法等 以上为开环系统的参数辨识，关于结构辨识，SISO:阶次和时滞 闭环辨识：输入信号与输出噪声相关，通常噪声不可测量，而且用闭环条件下的观测数据辨识系统可能得不到正确结果 闭环可否辨识？哪些辨识方法？开环方法可否用于闭环？ 闭环辨识的必要性： 许多工业对象只能闭环（开环不稳定；存在常值干扰和输出飘移；设备需在小范围内运转；跟踪伺服输入；实现自适应控制） 对象固有反馈结构，不能断 闭环有可能得到比开环更高的辨识精度 可辨识问题，比开环困难，因为： 反馈使一稳定闭环系统对不同输入产生差不多相同输出，观测数据的过程信息比开环少； 闭环状态，输入信号与输出噪声通过反馈相关，无法用常规开环辨识法得到一致估计，首先判断是否存在反馈：谱因子分解法、似然比检验法； 需有系统阶次作为验前知识，闭环条件下，不同阶次辨识系统可能得到相同的闭环输入输出试验数据； 闭环条件下，即使已知系统阶次，用开环辨识方法，系统参数有时也可能是不可唯一辨识的。 可辨识条件有些定理：直接辨识法，间接辨识法 工程上可辨识条件： 当反馈通道是线性非时变的，无扰动信号，且给定值恒定时，闭环可辨识条件：反馈通道模型阶次不能低于前向通道模型阶次，闭环传函不能0极点对消，若前向通道或反馈通道存在纯延迟环节，对辨识更有利； 若反馈通道上有足够阶次的持续激励信号，且与前向通道上的噪声不相关，则闭环结构可辨识； 若反馈控制器能在几种调节规律之间切换，或反馈控制器是非线性或时变的，则闭环结构可辨识。 对可辨识系统，可直接用开环的一些辨识方法 滤波器的脉冲传函2.4.5 为削弱旧数据对估计结果的影响，引入遗忘因子做指数加权，2套递推分别估计系统模型和残差模型的参数，引入2个遗忘因子 算法为2.4.21，2.4.22 μγ要适当选择，初始小（保证收敛速度），后期接近1（保证精度，小方差），实际经验选取 可以证明是一致估计、有效估计，但不能总保证收敛到最优解，因为J可能存在1个以上局部极小，所以要求θ初值靠近最优解，若事先缺乏参数估计值信息，常以最小二乘的估计值做GLS递推的初值 还有辅助变量法，简单如最小二乘，但构造辅助变量：与方程误差不相关，与过程中有用信号相关 辨识对象用状态方程表达时，需参数估计和状态估计 1利用状态估计值估计系统参数 2利用得到的参数估计值估计系统状态 彼此以对方的估计值为前提，形成迭代算法 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 GLS由2组普通最小二乘递推算法组成，通过滤波联系起来 计算次序：u(k+1)—z(k+1)—ψ(k+1)—k0(k+1)—θ(k+1)—p0(k+1) —ψe(k+1)—e(k+1)—ke(k+1) —θe(k+1)—pe(k+1) 2.4.3 时变参数的广义最小二乘递推算法 2 2 5 2 5 5 5 2 2 2 2 联合估计参数和状态的bootstrap算法 5 5 5 5 2 2 2 2 在获得参数估计的基础上，可用多法估计状态，用计算量较小的随机逼近法估计状态 举例:仿真对象 5 5 7 2 2 图2.5.1 例2.5.1的δ随l变化曲线 图2.6.1 2.6 多变量系统的最小二乘辨识 图2.6.2 6 6 2 2 6 6 2 2 用简单例子引入最小二乘估计算法：导热系数在一定条件下与温度呈线性关系。2.1.1，a是温度系数，与材料有关 2.1.2带噪声的可观测随机值 T：可观测的独立变量；v：不可测随机噪声向量 2.1.16第k次观测偏差＝实际观测值-估计的模型计算值，是随机变量——残差 一次完成算法特点：直接利用已经获得的所有观测数据进行运算处理，占用内存大，离线辨识 若新增观测数据，需重新求解方程，需求逆，费时辨识速度不能满足要求，采用递推算法 2.