第4章最小二乘类辨识算法.pptVIP

选择自相关特性好的M序列作为输入。利用MATLAB产生寄存器位数n=5，每周期长为31，重复周期数q=40的M序列，并将其作为输入得到系统输出。绘出一个周期的输入输出图形分别如图2和图3所示。 产生系统噪声 　　为了后面能较好的区分每种辨识方法的性能，我们分别在输出中叠加白噪声和有色噪声。取NSR=20%，用同一噪声源产生两种噪声模型，分别绘制白噪声、用相同噪声模型产生的有色噪声和不同噪声影响下的系统输出的曲线。 最小二乘辨识模型辨识 为较好的研究最小二乘辨识模型的性能，分别在不同的噪声模型下，用不同的噪信比影响系统输出，利用输入输出数据对系统进行辨识。ν分别采用白噪声模型和有色噪声模型，取NSR=0%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%，每种工况下取独立试验次数N=50（每次独立产生噪声），数据序列取前1024点，用最小二乘法辨识模型，分别画出NSR~δ曲线。图中的纵坐标（辨识误差）是50次辨识误差的均值。 　　 由图可见： 在白噪声影响下，各系数的辨识误差都很小，欲辨识参数为a1=-1.5，a2=0.7，b1=2，b2=0.5，即使在噪信比为50%的情况下，四个参数的辨识误差都在10-3数量级，相对误差非常小，均可视为无偏估计，与理论相符。 在有色噪声影响下，各系数的辨识误差相对白噪声影响偏大，当噪信比达到50%时，其中，a1、a2和b1的辨识误差都在0.02~0.04之间，相对误差在10%左右，b2的辨识误差甚至达到0.16以上，相对误差达到30%以上。 　　综上所述：在只有白噪声影响下，最小二乘辨识法可以达到无偏估计，但是在有色噪声影响下辨识结果的相对误差较大。最小二乘法只适合用于只有白噪声影响下的系统辨识，对于有色噪声影响下的系统，我们应该寻求更好的辨识方法。 递推最小二乘辨识模型辨识 　　ν分别采用白噪声模型和有色噪声模型，取NSR=10%、40%，用递推最小二乘法辨识模型参数，对比画出各参数辨识结果随递推次数变化的曲线。为了对比研究，我们在同一组u、x序列下，用同一白噪声源γ产生给定噪信比的白噪声和有色噪声干扰。 辨识参数为a1=-1.5，a2=0.7，b1=2，b2=0.5，设定在两种辨识情况下，前后两次辨识误差小于0.000000005时，结束仿真，当设定NSR=0.1时，本次仿真循环35次时结束仿真，仿真结果见图所示。 　　修改参数NSR=0.4，其他条件不变，欲辨识参数为a1=-1.5，a2=0.7，b1=2，b2=0.5，再次运行仿真，循环35次以后结束仿真，仿真结果见图所示。 　　从仿真结果图中我们可以看到，当噪信比较小时（如NSR=0.1）时，在白噪声影响下，递推最小二乘能正确辨识系统参数，且辨识曲线较平稳。而在有色噪声影响下，辨识结果有一点误差，但辨识曲线尚较平稳。当噪信比较大（如NSR=0.4）时，不管是在白噪声还是有色噪声影响下，辨识曲线的波动都较大，且辨识误差都比噪信比小时的辨识误差有所增加。 　　综上所述：递推最小二乘法只适合与噪信比较小时的白噪声影响下的系统辨识，对于有色噪声影响下的系统辨识或者噪信比较大时的白噪声影响下的系统辨识，我们应该寻找更好的辨识方法。 第四章结束 进一步： 重温 可知 (na+nb) ?(na+nb) 此 k 指观测 数据长度 （4.8.8） （4.8.9） （4.8.7） 这样： 因为 （4.8.10） （4.8.11） 引进增益矩阵 可得加权最小二乘的另一表述式： 上式中除K(k)以外均为迭代计算形式。能否对K(k) ，本质上是P(k), 也实现迭代计算呢？ P(k)已经被定义为逆矩阵： 欲实现其迭代计算，需用到矩阵反演公式。 （4.8.12） （4.8.13） （4.8.14） 设A为n?n非奇异阵，C为n ?m维矩阵，则有矩阵反演 公式： 两边同时右乘矩阵（A+CCT）可以证明上式是成立的。 将 改写为 标量 A C CT m?m n?n （4.8.16） （4.8.15） 标量 标量 (na+nb) ?(na+nb) 与P(k-1)同维 （4.8.17） （4.8.19） （4.8.18） （4.8.17） 至此，可得加权最小二乘参数估计递推算法（RWLS-Recursive Weighted Least Square）： 新息 时变矩阵 对称阵 （4.8.20） 为了保证P(k)的对称性，有时将上式的第3式写成： 这样在计算过程中即使有舍入误差，也能保证P(k)始终是对称的。 （4.8.21） * 初值的选取 （1）根据一批数据，利用一次完成算法，