matlab连续system模型.ppt

2.4 面向测量数据的建模方法 由于噪声很大，所以两图的差异较大，现在我们要用已知的基底函数，找出最佳的参数a,b,c x=xx(:);y=yy(:);z=zz(:); A=[(1-x).^2.*exp(-x.^2-(y+1).^2) , (x/5-x.^3-y.^5).*exp(-x.^2-y.^2) , exp(-(x+1).^2-y.^2)]; theta=A\z %估计参数 pause zz=reshape(A*theta , point_n , point_n); Subplot(2,2,3);surf(xx,yy,zz);axis tight %按照估计的参数绘图 2.4 面向测量数据的建模方法 非线性回归 非线性回归分析(Nonlinear Rrgression)是一个比较困难的问题,其原因是 1.无法一次得到最优解 2.无法保证得到最优解 3.必需使用各种非线性的最优化算法 4.各种相关的数学性质不明显 以一个例子来说明MATLAB中非用回归的方法。 2.4 面向测量数据的建模方法 假设所用的数学模型是 其中a1,a2为线性参数， b1,b2为非线性参数，此模型是非线性的，总平方误差是 E是参数a1,a2 , b1,b2的非线性函数，我们无法用E对这些参数的导数为零的方法得到E的最小值。推而求其次，我们必须用一般的最优化（Optimization）方法，如：梯度下降法（Gradient Desent）或下山式单纯形搜索法（Downhill Simplex Search）等得到E的最小值。 2.4 面向测量数据的建模方法 假设此函数为fun_e1 function E=fun_e1(theta,data) x=data(:,1); y=data(:,2); model_y= theta(1)*exp(theta(3)*x)+ theta(2)*exp(theta(4)*x); E=sum((y-model_y).^2); 其中theta是参数向量，包含了a1 ， a2 ， b1 ， b2 ，data是观测得到的数据点，返回的E是总平方误差。要求出E的最小值，可使用MATLAB中的fminsearch命令。计算结果为a1=3.5327 a2=1.2390 b1= -4.3153 b2= -0.6840。 2.4 面向测量数据的建模方法 clc;clear data=[0.1 0.2 0.3 0.4 0.4 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 3.5 2.5 1.9 1.8 1.3 1.1 1.0 1.1 0.8 0.6 0.6 0.5 0.4 0.4 0.5] ; init_theta=[0 0 0 0]; theta=fminsearch(fun_e1, init_theta,[ ], data) % fun_e1的定义见前页 x=data(:,1);y=data(:,2); esti_y= theta(1)*exp(theta(3)*x)+ theta(2)*exp(theta(4)*x); plot(x,y, ro ,x,esti_y, b- ); legend( Sample data , Regression curve ); 3 经典的连续系统建模方法学 3.1 连续系统离散化原理3.2 龙格库塔法 3.3 线性多步法 3.4 稳定性分析 3.1 连续系统离散化原理 问题：数字计算机在数值及时间上的离散性，被仿真系统数值及时间上的连续性,连续系统仿真，从本质上说：对原连续系统从时间、数值两个方面进行离散化并选择合适的数值计算方法来近似积分运算 离散模型≈原连续模型？（稳定性、准确性、快速性） 原连续模型 仿真模型 u(t) h y(t) - + 3.1 连续系统离散化原理 对仿真建模方法三个基本要求 （1）稳定性：若原连续系统是稳定的，则离散化后得到的仿真模型也应是稳定的。 （2）准确性：有不同的评价准则，最基本的准则是 绝对误差准则  相对误差准则 （3）快速性：若第n步计算对应的系统时间间隔为hn=tn+1-tn计算机由计算需要的时间为Tn，Tn=hn 称为实时仿真，Tn?hn称为超实时仿真 Tn?hn 称为亚实时仿真 3.2 龙格-库塔法 微分方程 RK2公式 RK4公式 3.2 龙格-库塔法 数学模型 仿真模型1 仿真模型2 3.2 龙格-库塔法 一个高精度的仿真方法必须将步长控制作为手段。实现步长控制涉及到误差估计和步长控制策略两方面的问题。 龙格-库塔法的误差估计和步长控制策略的基