S6噪声下辨识的改进算法.pptxVIP

第 6讲 噪声下辨识的改进算法 广义最小二乘算法（GLS） 多级最小二乘算法（MSLS） 增广最小二乘算法（ELS） 辅助变量法（IV） 基于权函数预报的两步法（COR-LS） 广义最小二乘算法（GLS） 模型方程 有色噪声 只要nd足够长，假设便是合理的，并且具有普遍的意义 模型方程改写为 如令 则得 仍适于最小二乘算法，只是残差变量 白噪声特性，A和B的参数估计可以无偏 广义最小二乘误差函数 称为广义最小二乘算法（GLS） 广义最小二乘算法的原理框图 GLS一次完成算法 GLS算法是一种松弛算法，参数A(z)、B(z)和D(z)系数的辨识过程被分为两步进行。 GLS的递推算法 ① 对系统模型参数 和预估噪声模型参数 设初值  = 0, d = 0（如能采用接近真值的估计值更好）。 同时对估计误差的递归方差阵设初值 PF(0) = Pd(0) = (106～109)I。 ② 取得滤波后的输出和输入数据 ③ 估计系统模型参数，根据方程 得到递归算法公式 ④ 计算方程残差 ⑤ 根据噪声方程 估计噪声参数 GLS的递推算法（上） ① 对系统模型参数 和预估噪声模型参数 设初值  = 0, d = 0（如能采用接近真值的估计值更好）。 同时对估计误差的递归方差阵设初值 PF(0) = Pd(0) = (106～109)I。 ② 取滤波后