《系统辨识》讲稿-第14讲.docVIP

《系统辨识》第14讲要点 第7章 梯度校正参数辨识方法 7.1 引言 最小二乘类参数辨识方法的参数估计递推算法的一般格式为： 新的参数估计值＝旧的参数估计值＋增益矩阵×新息 梯度校正参数辨识的递归算法的结构如同上式，但其基本思想与最小二乘类算法不同，它是通过沿着如下准则函数的负梯度方向，逐步修正模型参数估计值，直至准则函数达到最小： 其中代表模型输出与系统输出的偏差。 本章主要讨论的问题： 确定性问题的梯度校正参数辨识方法； 随机性问题的梯度校正参数辨识方法； 梯度校正参数辨识方法在动态过程辨识中的应用； 随机逼近法。 7.2确定性问题的梯度校正参数辨识方法 ● 问题的提法 确定性问题的输入和输出都是可以准确的测量，没有噪声。 即，一般地，设过程输出可以表示为： 其输出和输入是可以准确测量，是过程的参数。 记：，如果为过程的真实参数，则有： 将上式离散化，则有： 其中： 例如，考察由差分方程描述的确定性过程： 记： 则可以化为以下形式： 准则函数： 问题：利用输入输出数据，来确定参数在时刻的估计值，使得准则函数达到最小，即 梯度校正法的做法：沿着准则函数的负梯度方向进行修正参数估计值，直到达到最小。 即，梯度校正参数辨识方法的参数估计递推形式可以由下式给出： 其中是（）的对称矩阵，称为权矩阵，表示准则函数关于参数的梯度，梯度可以求得： 由此可得确定性问题的梯度校正参数辨识方法的参数估计递推公式： （*） ●权矩阵的选择依据 关于梯度校正法的递推式子（*），权矩阵的选择是至关重要的，且输入数据向量的各分量将直接影响参数的估计值。 权矩阵的作用是用来控制各输入分量对参数估计的影响程度的，一般地，我们选择权矩阵的形式为： 只要适当地选择，就能控制各输入分量对参数估计的影响。如何合理地选择权矩阵，由下面的定理给出。 定理7.1: 确定性问题的梯度校正参数辨识方法的参数估计递推公式为： 并且权矩阵选取如下形式： 如果权矩阵满足以下条件： 个中存在一个，使得 或者 与不正交 则不管参数估计值的初始值如何选择，参数估计值总是全局一致渐近收敛的，即有： 注意：条件1确定了权的选择范围，条件2是推导条件3的前提，条件3是保证参数估计全局一致收敛的条件。 定理的证明： 建立关于参数估计偏差的离散时间运动方程。由于： 令：，由： 我们有： 即 （**） 建立方程（**）的Lyapunov能量函数。 定义Lyapunov能量函数如下： 其中满足定理中的条件2，。由Lyapunov稳定性定理，只要满足以下条件，则离散时间运动方程（**）具有全局一致渐近稳定的零点。 （a），对于所有的； （b），对于所有的； （c）当时，有； （d），对所有的。 由定理给定的条件可知（a）、（b）和（c）一定满足。 条件（d）满足的证明 记： 则由Lyapunov能量函数的定义，有： 其中： 将及的定义式代入，由于： 我们有： 由定理给的条件2，有 利用和的定义，由 上面的不等式可得： 即有： 由于，所以为了使，必须，即要求： 由定理的条件4，有，因此上面的不等式为： 至此证明了只要定理的条件满足，必有，定理证毕。 ● 权矩阵的选择 或取： 最佳权矩阵的选择（Lyapunov最佳权矩阵）：（注意推导过程） ● 注意的地方 权矩阵的作用是控制各输入分量对参数估计的影响程度； 若与正交，或大于一定的值后与正交，则得不到全局稳定性，即时，不趋于零。 7.3随机性问题的梯度校正参数辨识方法 ● 随机性问题的提法 设过程输出可以表示为： 其输出和输入均含有噪声，即有 假设噪声和均为均值为零的不相关随机噪声，并且满足： 记： 则有： 其中输入和输出是可以观测的，由此数据确定参数在时刻的估计值，使得准则函数达到最小，即 其中： 随机性辨识问题的分类 第一类随机性辨识问题 此问题满足以下条件 （1）；即与独立，的方差不必已知； （2），为正定常数矩阵，不必已知； （3） 第二类随机性辨识问题 此问题满足以下条件 （1），其中是测量噪声，是扰动噪声，扰动噪声通过动态环节与相关，； （2），为正定常数矩阵，不必已知； （3） 第三类随机性辨识问题 此问题不仅与相关，而且也和相关。 1