最小二乘参数识别方法.doc

《系统辨识基础》第17讲要点 第5章 最小二乘参数辨识方法 5.9 最小二乘递推算法的逆问题 辨识是在状态可测的情况下讨论模型的参数估计问题，滤波是在模型参数已知的情况下讨论状态估计问题，两者互为逆问题。 5.10 最小二乘递推算法的几种变形 最小二乘递推算法有多种不同的变形，常用的有七种情况： ① 基于数据所含的信息内容不同，对数据进行有选择性的加权； ② 在认为新近的数据更有价值的假设下，逐步丢弃过去的数据； ③ 只用有限长度的数据； ④ 加权方式既考虑平均特性又考虑跟综能力； ⑤ 在不同的时刻，重调协方差阵P(k)； ⑥ 设法防止协方差阵P(k)趋于零； 5.10.1 选择性加权最小二乘法 把加权最小二乘递推算法改写成 算法中引进加权因子，其目的是便于考虑观测数据的可信度．选择不同的加权方式对算法的性质会有影响，下面是几种特殊的选择： ① 一种有趣的情况是取得很大，在极限情况下，算法就退化成正交投影算法。也就是说，当选择 构成了正交投影算法 算法初始值取及(任定值)，且当时，令。 ② 第①种加权因子的选择显然是一种极端情况，算法的鲁棒性比较差。为了使算法具有较好的鲁棒性，可把第①种加权因子的选择修改为 其中是指定的阀值。这时算法对数据作了不同的加权，但不排斥任何数据． ③ 按下式选择加权因子，意味着它是过去数据信息量的一种度量 ④ 如果由噪声、建模不准确等因素引起的误差上界已知，则可按下式选择加权因子 5.10.2 遗忘因子法 遗忘因子算法通过对数据加遗忘因子的办法来降低老数据的信息量，为补充新数据的信息创造条件。取准则函数为 其中称遗忘因子，取值为．极小化这个准则函数，可得到参数辨识算法： 式中 这种参数辨识方法称作遗忘因子法，记作FF(Forgetting Factor algorithm)。如果遗忘因子，算法退化成普通最小二乘法。与推导加权最小二乘递推算法一样，同样可以推导出遗忘因子算法的递推计算形式 式中遗忘因子可按下面的原则取值： ① 若要求步后数据衰减至,则； ② 取作时变因子，其中。 遗忘因子的取值大小对算法的性能会产生直接的影响。值增加时，算法的跟踪能力下降，但算法的鲁棒性增强；值减少时，算法的跟踪能力增强，但算法的鲁棒性下降，对噪声更显得敏感。 遗忘因子法和加权最小二乘算法主要的差别： ① 加权方式不同．加权最小二乘法各时刻权重是不相关的，也不随时间变化；遗忘因子法各时刻权重是有关联的，满足关系，各时刻权重的大小随时间变化，当前时刻的权重总为1。 ② 加权的效果不一样．加权最小二乘法获得的是系统的平均特性；遗忘因子法能实时跟踪系统明显的变化，具有跟踪能力。 ③ 算法的协方差矩阵P(k)的内容不一样，两者的关系为。 和加权最小二乘递推算法一样，遗忘因子算法下的残差与新息关系： 或 由此可推出准则函数J(k)的递推计算式： 式中， 是k 时刻的新息，它与k-1 时刻的参数估计值有关。 5.10.3 限定记忆法 限定记忆法依赖于有限长度的数据，每增加一个新的数据信息，就要去掉一个老数据的信息，数据长度始终保持不变。这种方法的参数估计递推算法如下： 算法前三个式子用于去掉老数据的信息，后三个式子用来增加新数据的信息，初始值取 其中a 为充分大实数， 为充分小实向量．相应的准则函数递推计算式为：] 其中 5.10.4 折息法 折息法把加权最小二乘法和遗忘因子法融合起来，形成如下算法： 折息因子与加权因子和遗忘因子之间的关系为，当遗忘因子取常数时，折息因子又可表示成。折息法同时具备加权最小二乘法和遗忘因子法的作用，既可获得系统的平均特性，又具有时变跟踪能力。 5.10.5 协方差重调最小二乘法 在辨识递推计算过程中，协方差矩阵P(k)衰减很快，此时算法的增益矩阵K(k)也急剧衰减。这种现象的出现，促使人们去考虑一种修正的方案，即在指定的时刻重新调整协方差矩阵P(k)，使算法始终保持较快的收敛速度。这种协方差重调的最小二乘算法描述如下： 当时，P(k)按上式算法计算；当时，把P(k)重调为 。 5.10.6 协方差修正最小二乘法 对时变系统辨识来说，为了防止矩阵P(k)趋于零，当参数估计值超过某阀值时，矩阵P(k)自动加上附加项Q, 具体算法如下：