第十四章鲁棒辨识的相关问题和应用技术.pdfVIP

第 14 章 鲁棒辨识的相关问题和应用技术 第 14 章 鲁棒辨识的相关问题和应用技术 14.1 集员辨识方法 在最差情况(Worst Case)下鲁棒控制器设计需要有关模型不确定性的一个明确边界，这就要求辨识技术 能够对不确定系统，以某种最优意义来求出模型不确定性的量化边界。根据对不确定性的两种描述，相应 的存在两种辨识方法：一种是传统的随机统计方法，它假设系统的噪声服从于一定的统计分布，从而求得 系统参数的估计量。这种方法已有大量的结果和应用，并趋于成熟；另一种方法则是适合控制的鲁棒辨识 方法，又称之为确定性方法(Deterministic Approach)或最差情况辨识(Worst Case Identification)，集员辨识是 其方法之一。这种方法假设系统噪声的统计特性是未知的，但是有界的。由第一种方法给出的边界通常称 为软误差边界(Soft Error Bounds)，而第二种方法给出的是模型硬误差边界(Hard Error Bounds) 。 14.1.1 参数的不确定椭球估计 集员估计在二十世纪六十年代已经形成，并首先用于不确定性系统的状态估计。直到 1979 年，E. Fogel 将集员估计的思想用于参数辨识[64]，其研究的对象为： T y (k ) φ (k )b +w(k ) ( 14-1-1) T T 其中，b (b , b , Lb ) 为待估计参数。φ (k ) 是由输入和输出组成的回归向量 1 2 n T φ [y , y , L, y ,u ,u , L,u ] k k −1 k −2 k −m k k −1 k −l 待估计参数的维数 n=m+l+1 。与传统的辨识方法不同的是：w(k ) 是未知但有界的，即 r w2 (k ) ≤1, r 0, k 1,2, L (14-1-2) k k 集员辨识就是根据观测序列u(k ),y (k ), w(k ) 找出b 所属的集合 B 并满足(14-1-1)式，又称该集合为成 员集。显然有 T 2 n BN {b : ∑(y (k ) −φ (k )b) ≤η(k ), b ∈R } (14-1-3) 可以证明BN 有下列等式： T −1 n BN {b :(b =−b0 (k )) Pk (k )(b −b0 (k )) ≤G(k ),b ∈R } (14-1-4) 上式是参数空间中的一个含真参数的椭球，b0 (k ) 是椭球的中心，它与 Pk ,G (k ) 均可递推地计算出来。 文献[65]提出数据信息的利用问题，即在每步递推计算中，先计算新的数据能否改善估计量，如果能改善 则参与递推计算，否则就舍去该时刻的数据。在此我们给出 E.Fogekl 推荐的一种算法： 首先给定b0 的递推计算公式： b (k ) b (k −1) +q y Z φ [y −bT (k −1)φ ] 0 0 k k k k k 0 k q r P φT P k k k −1 k k −1 Z P −1 −