《系统辨识》讲稿-第15讲.docVIP

《系统辨识》第15讲要点 第7章 梯度校正参数辨识方法 7.3随机性问题的梯度校正参数辨识方法（续） ● 随机性问题的梯度校正参数辨识方法 基本公式： （A） 注意，此式给出的参数估计是渐近有偏估计，注意步长选择的原则是使第一、二类随机性辨识问题的条件：满足。 定理7.2：对于第二类随机性辨识问题，利用（A）式所获得的参数估计值是渐近有偏的估计值，即： 其中：是过程的真实参数，且 推论7.1：对于第一类随机性辨识问题，当输入向量不含测量噪声时，利用（A）式所获得的参数估计值是渐近无偏的估计值，即 第一类随机性辨识问题的梯度校正渐近无偏估计算法 由第一类问题的条件，有，因此 而 因此，修正（A）式，在（A）式的右边增加一项，则有： 此时有： 即是的渐近无偏估计。由此可以得到第一类随机性辨识问题的梯度校正渐近无偏估计算法如下： （P） 注意：是已知的，步长的选择必须满足条件（2）。 第二类随机性辨识问题的梯度校正渐近无偏估计算法 由第二类问题的条件，有，为了获得参数的渐近无偏估计，必须在（A）式中增加两项，即需要增加：和两项。于是可得第二类随机性辨识问题的梯度校正渐近无偏估计算法如下： （B） 注意：此时要求和已知。 如果与之间具有以下的线性关系： 其中：是维向量，是阶方阵。 此时可用来估计，即取，由此，（B）式可以写成： （C） 此时有： 因此（C）式可以作为第二类随机性辨识问题的梯度校正渐近无偏估计算法，此时的和为参变量，由实际问题可以唯一确定。 步长间隔的选择 选择的基本原则：使输入向量与参数估计值不相关。 由估计式（P）和（C），我们有： 其中代表函数关系。 当时： 当时： 以此类推，得到： 由此可知，时刻的参数估计值与时刻以前的信息，即输入向量、输入测量噪声及输出测量噪声是相关的。 由此，选择步长间隔使输入向量与参数估计值不相关的问题，可以转变成选择步长间隔使与时刻以前的信息不相关的问题。 根据第一、二类随机性辨识问题的条件，已知与时刻以前的和是不相关的，所以只要选择，使得与不相关，就可以使得条件（2）成立，保证估计式（P）和（C）都是渐近无偏估计。 结论：选择，必须使得输入向量与统计不相关。 一般做法：过程是阶的差分方程形式，则步长选择不能低于阶次。 权矩阵的选择 估计式（P）和（C）是第一、二类随机性辨识问题的渐近无偏估计式，只要选择步长，使得与不相关即可。但此时估计式并不是均方一致估计或依概率一致估计，即有： 但 （D） 两式不一定成立。 问题：如何选择权矩阵使得（D）式成立？ 定理7.3：假设步长选择满足与不相关，且 （E） 如果权矩阵选择如下形式 满足： 则由（P）和（C）给出的参数估计值在均方意义下一致收敛或依概率收敛。 注意： 条件（E）是比较弱的条件，一般问题都能满足； 中的可取 可以分段选择，加快收敛速度。 7.4 状态方程的参数辨识（梯度校正法） 要解决的关键问题：为了处理第二类随机辨识问题，其梯度校正渐近无偏递推估计算法为： 其中：，用来估计，其中，因此如何选择参变量和方阵是用此方法的关键。 考虑SISO过程，状态方程描述如下： （A） 其中： 为均值为零，方差为的白噪声；为噪声模型的参数，为已知；和为未知待辨识的参数。 设输入、输出变量和对应的测量值可以记为： 其中：和分别为均值为零、方差为和的白噪声，且和统计独立。 将状态方程（A）变换为差分方程，我们有： 其中： 若记： （B） 则有： 这样就将状态方程模型辨识问题化为第二类随机梯度校正参数辨识问题，因此可得参数的渐近无偏估计算法： 其中： (要求已知) 并且参变量和方阵满足： 注意：向量可由输入、输出测量数据和获得；步长取大于的值，以保证和不相关。 下面讨论参变量和方阵的具体求法。 求解状态方程（A）得： 及输出变量 确定与的函数关系。 由（B）及（1）的结果，注意到白噪声和的统计特性，我们有： 将上面的式子写成矩阵形式，即有： 其中： 上面的矩阵为阶对称矩阵，并且可由噪声模型参数向量唯一确定，参数亦可由噪声模型参数向量唯一确定。 7.5 差分方程的参数辨识 下面直接辨识差分方程模型： 所有关于噪声的假设同上一节，并且噪声模型的参数已知，同上一节的推导过程一样，由： 因此，有： 最后，我们得到： 注意：当时，上式不能化为待辨识参数的线性形式，因此不能确定参变量和方阵。此时，如果在上式中，利用代替，则直接用以下算法： 估计模型参数。 当，上式可以化为待辨识参数的线性形式