第04讲 系统辨识-RLS法.pptVIP

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 第四讲 RLS法(1/5) 第四讲 递推最小二乘法 上一讲中已经给出了LS法的一次成批型算法,即在获得所有系统输入输出检测数据之后,利用LS估计式一次性计算出估计值. 成批型LS法在具体使用时不仅计算量大,占用内存多,而且不能很好适用于在线辨识. 随着控制科学和系统科学的发展,迫切需要发展一种递推参数估计算法,以能实现实时在线地进行辨识系统模型参数以供进行实时控制和预报,如 在线估计 自适应控制和预报 自适应预报 第四讲 RLS法(2/5) 时变参数辨识 故障监测与诊断 仿真等. 如对时变系统斌是，需要 以采样频率实时更新模型 充分利用过去的辨识模型(参数值),减少在线计算量 递推算法辨识值要尽可能等效为成批算法辨识值 计算机计算技术的发展,为发展这种能在线辨识、在线控制和预报的算法提供了强有力的工具. 第四讲 RLS法(3/5) 递推辨识算法的思想可以概括成 新的参数估计值=旧的参数估计值+修正项 (1) 即新的递推参数估计值是在旧的递推估计值的基础上修正而成,这就是递推的概念. 递推算法不仅可减少计算量和存储量,而且能实现在线实时辨识. 第四讲 RLS法(4/5) 递推算法的特性 第四讲 RLS法(5/5) 本讲主要讲授递推最小二乘(Recursive Least-square, RLS)法的思想及推导,主要内容为: 递推算法 加权RLS法和渐消记忆递推RLS法 计算机仿真 1 递推算法(1/12) 1 递推算法 递推算法就是依时间顺序,每获得一次新的观测数据就修正一次参数估计值,随着时间的推移,便能获得满意的辨识结果. RLS法即为上一讲的成批型LS算法的递推化，即将成批型LS算法化成依时间顺序递推计算即可. 该工作是1950年由Plackett完成的。 1 递推算法(2/12) 下面讨论无加权因素时的一般LS法的递推算法的推导. 即将成批型算法化 1 递推算法(3/12) 设在k-1时刻和k时刻,系统的参数估计结果为 1 递推算法(3/12) 仔细考察上述LS法,可以知道,该算法进行递推化的关键是算法中的矩阵求逆的递推计算问题. 因此,下面先讨论该逆矩阵的递推计算. 1 递推算法(4/12) 令 1 递推算法(5/12) 为便于逆矩阵递推算式的推导,下面引入如下矩阵反演公式(设A和C为可逆方阵) (A+BCD)-1=A-1-A-1B(C-1+DA-1B)-1DA-1 (4) 该公式可以证明如下:由于 (A+BCD)[A-1-A-1B(C-1+DA-1B)-1DA-1] =I-B(C-1+DA-1B)-1DA-1+BCDA-1 -BCDA-1B(C-1+DA-1B)-1DA-1 1 递推算法(6/12) 由式(3)和矩阵反演公式(4),可得P(k)的如下递推计算式 1 递推算法(7/12) 即 1 递推算法(8/12) 1 递推算法(9/12) 有时,为计算方便并便于理解,上述RLS估计算法又可表示为 1 递推算法(10/12) 值得指出的是矩阵P(k)是一个对称、非增的矩阵. 若在递推计算过程中破坏了P(k)的对称性,随着递推的推进,计算(辨识)误差将越来越大,并将导致辨识不一致收敛. 为了保证计算过程中P(k)矩阵始终是对称的,算法中的P(k)的计算可采用下面的计算式,以保证不破坏P(k)矩阵的对称性. 1 递推算法(11/12) 1 递推算法(12/12) 1 递推算法--递推初始值选取(1/1) 1 递推算法--LS法和RLS法的比较(1/1) 1 递推算法--信号充分丰富与系统充分激励(1/2) C. 信号充分丰富与系统充分激励 对于所有学习系统与自适应系统,信号充分丰富(系统充分激励)是非常重要的. 若系统没有充分激励,则学习系统与自适应系统就不能一致收敛. 不一致收敛则意味着所建模型存在未建模动态或模型误差较大,这对模型的应用带来巨大隐患. 如对自适应控制,未建模动态可能导致系统崩溃. 为保证学习系统与自适应系统一致收敛,则所产生的系统的学习样本数据(系统输入输出信号)应具有尽可能多的模态,其频带要足够宽,而且其信号强度不能以指数律衰减. 1 递推算法--信号充分丰富与系统充分激励(2/2) 这样才能保证系统具有充分激励,所测取的信号数据是充分丰富的,相关性矩阵P(k)不为病态. 1 递推算法--数据饱和(1/3) D. 数据饱和 在辨识递推计算过程中,协方