第05讲处理有色噪声扰动的最小二乘类方法重点.ppt

系统辨识篇目录(1/1) 系统辨识篇 第01讲 系统辨识概论 第02讲 理论知识准备 第03讲 最小二乘法 第04讲 递推最小二乘法 第05讲 处理有色噪声扰动的最小二乘类方法 第06讲 随机逼近法 第07讲 多输入多输出系统辨识 第08讲 辨识算法比较 第09讲 系统辨识研究的发展与问题 第五讲 处理有色噪声扰动的LS类方法(1/4) 第五讲 处理有色噪声扰动的最小二乘类方法 由上一讲中所讨论的LS估计的统计特性可知,在动态系统的参数估计中,LS法仅当随机扰动为零均值的白噪声时,才能保证得到无偏一致的估计值. 在实际工程和社会系统的辨识中,随机扰动w(k)只是各种系统内外扰动和结构建模误差等因素的综合反映. 第五讲 处理有色噪声扰动的LS类方法(2/4) 第五讲 处理有色噪声扰动的LS类方法(3/4) 因此,并不能保证随机扰动为统计独立的白噪声. 故,实际系统辨识时,并不能保证LS估计值为无偏一致估计值. 从本讲开始,我们将讨论具有随机扰动为相关性扰动(有色噪声)的动态系统的无偏一致的参数估计问题,具体的LS类方法有 增广最小二乘法(Extended Least-square Method, ELS) 广义最小二乘法(Generalized Least-square Method, GLS) 辅助变量法(Instrumental Variables Method, IV) 等.其它无偏参数估计算法还有 多步最小二乘法 偏差补偿最小二乘法 第五讲 处理有色噪声扰动的LS类方法(4/4) 这些不同的处理有色噪声的辨识方法主要是针对不同的 有色噪声的特性、 有色噪声的不同模型表达、以及 不同的辨识要求 提出的.下面就分别讨论: 增广最小二乘法(ELS) 广义最小二乘法(GLS) 辅助变量法(IV) 其它方法可参阅其它教材和文献. 1. ELS法(1/19) 1. 增广最小二乘法 考虑如下SISO随机离散系统 A(z-1)y(k)=B(z-1)u(k)+v(k) (1) 其中y(k),u(k)和v(k)分别为系统的输出、输入和相关的随机扰动; 1. ELS法(2/19) 因此,由系统模型(1)和噪声模型(2),可得如下表示 A(z-1)y(k)=B(z-1)u(k)+C(z-1)w(k) 1. ELS法(3/19) 当假定噪声w(k)可测已知时,上式又可表示为如下自回归方程 y(k)=?t(k-1)q+w(k) (3) 其中 1. ELS法(4/19) 当上述观测数据向量?(k-1)精确已知时,利用前面讨论的成批或RLS法可求得回归参数向量?的LS估计值. 但是,实际上上述数据向量?(k-1)中包含有不可测的噪声量w(k-1),...,w(k-nc),因此对自回归式(3)并不能直接套用LS估计方法. 为此,引入通过在递推参数估计过程中在线估计噪声w(k)以实现模型参数在线递推估计的ELS法. 1. ELS法(5/19) ELS法的思想就是: 1. ELS法(6/19) 噪声w(k)的具体的估计算法是如下的事后估计或事前估计算法: 1. ELS法(7/19) 因此,基于渐消记忆的RLS估计算法可得如下递推的ELS法 1. ELS法(8/19) 上述分析过程表明,ELS法是LS法的一种简单推广. 它只是扩充了参数向量q和数据向量?(k)的维数,也同时辨识噪声模型. 就这种意义上说,可称之为ELS法. 值得指出的是,ELS法虽然可同时得到噪声模型的参数估计,但其收敛过程却比过程模型A(z-1)和B(z-1)的估计值的收敛慢许多. 从实用角度来说,噪声模型C(z-1)的阶次不宜取得太高. 1. ELS法(9/19)--ELS法计算步骤 综上所述,ELS法的基本计算步骤可总结如下 确定被辨识系统模型的结构,以及多项式A(z-1)、B(z-1)和C(z-1)的阶次; 设定递推参数初值?^(0),P(-1),w^(0); 采样获取新的观测数据y(k)和u(k),并组成观测数据向量?^(k-1); 用式(5)~(7)所示的ELS法计算当前参数递推估计值; 用(4)式计算白噪声w(k)的事后或事前在线估计值w^(k); 循环次数k加1,然后转回到第3步继续循环. 1. ELS法(10/19)--ELS法仿真程序 下面给出针对随机线性离散系统(XARMA) 1. ELS法(11/19)--ELS法仿真程序) 1. ELS法(12/19)--ELS法仿真程序 1. ELS法(13/19)--ELS法仿真程序 1. ELS法(14/19)—例1 1. ELS法(15/19) 表1 计算机仿真结果(噪信比=23%,数据组数1000) 1.