递推最小二乘辨识课件.ppt

常规最小二乘辨识的递推算法;主要内容;1.递推最小二乘法的思想及原理;1.2递推算法的思想 * 递推辨识算法的思想可以概括成 新的参数估计值=旧的参数估计值+修正项 即新的递推参数估计值是在旧的递推估计值的基础上而成，这就是递推的概念. 递推算法不仅可减少计算量和存储量,而且能实现在线实时辨识. * 递推算法是依时间顺序,每获得一次新的观测数据就修正一次参数估计值,随着时间的推移,便能获得满意的辨识结果. RLS法即为成批型LS算法的递推化，即将成批型LS算法化成依时间顺序递推计算即可。 该工作是1950年由Plackett完成的。 ;*下面讨论无加权因素时的一般LS法的递推算法的推导. 即将成批型算法化等效变换成如下所示的随时间演变递推算法. 时不变SISO系统数学模型：A(z-1)y(k)=B(z-1)u(k)+e(k) ;设在k-1时刻和k时刻,系统的参数估计结果为;;为便于逆矩阵递推算式的推导,下面引入如下矩阵反演公式(设A和C为可逆方阵) (A+BCD)-1=A-1-A-1B(C-1+DA-1B)-1DA-1 (4) 该公式可以证明如下:由于 (A+BCD)[A-1-A-1B(C-1+DA-1B)-1DA-1] =I-B(C-1+DA-1B)-1DA-1+BCDA-1 -BCDA-1B(C-1+DA-1B)-1DA-1;下面讨论参数估计值 的递推计算. 由上一讲的一般LS估计式;即;将式(5)和(6)整理可得如下RLS估计算法表示;;综上所述,RLS法的基本计算步骤可总结如下: 1. 确定被辨识系统模型的结构,以及多项式A(z-1)和B(z-1)的阶次; 2. 设定递推参数初值 ,P(0); 3. 采样获取新的观测数据y(k)和u(k),并组成观测数据向量?(k-1); 4. 用式(7)~(8)或(9)~(11)所示的RLS法计算当前参数递推估计值 ; 5. 采样次数k加1,然后转回到第3步骤继续循环.;下面关于该RLS算法,有关于其实现问题的如下讨论: 递推初始值选取 成批LS与RLS的比较 信号充分丰富与系统充分激励 数据饱和;A. 递推初始值选取 在递推辨识中,如何选取递推计算中的 和P(k)的初值是一个相当重要的问题. 一般来说,有如下两种选取方法: (1) 选取 各元素为零或较小的参数,P(0)=?I,其中?为充分大的实数（105～1010）; (2) 先将大于所需辨识的参数个数的L组数据,利用成批型的LS法求取参数估计值?LS和协方差阵P(L),并将这些量作为递推估计的初值.;站确愈蔑设俞粟塑裁创困葱伙趣迢习彭劈糕唬沼淄梨拼逞烟枉膀斧咋剿靛递推最小二乘辨识课件递推最小二乘辨识课件;揍扼蹭谅畅惑弛痴浩詹晨邻线惟蔚送拦尼轻蹬澄据僧县澳销镍蛇挥称绽球递推最小二乘辨识课件递推最小二乘辨识课件;B. LS法和RLS法的比较 LS法和RLS法的比较 LS法是一次完成算法,适于离线辩识,要记忆全部测量数据,程序长; RLS法是递推算法,适于在线辩识和时变过程, 需要记忆的数据少,程序简单; RLS法用粗糙初值时,如若N(即样本数少)较小时,估计精度不如LS法.;C. 信号充分丰富与系统充分激励 对于所有学习系统与自适应系统,信号充分丰富(系统充分激励)是非常重要的. 若系统没有充分激励,则学习系统与自适应系统就不能一致收敛. 不一致收敛则意味着所建模型存在未建模动态或模型误差较大,这对模型的应用带来巨大隐患. 如对自适应控制,未建模动态可能导致系统崩溃. 为保证学习系统与自适应系统一致收敛,则所产生的系统的学习样本数据(系统输入输出信号)应具有尽可能多的模态,其频带要足够宽,而且其信号强度不能以指数律衰减.这样才能保证系统具有充分激励,所测取的信号数据是充分丰富的,相关性矩阵P(k)不为病态. ;D. 数据饱和 在辨识递推计算过程中,协方差矩阵P(k)随着递推的进程将衰减很快,此时算法的增益矩阵K(k)也急剧衰减,使得新数据失去对参数估计值的修正能力. 这种现象称为数据饱和. 因此需要考虑修正方案,以保持新数据对参数估计值的一定的修正能力,使得能得到更准确的参数估计值,或能适应对慢时变参数的辨识.;例:采用递推最小二乘估计辨识模型参数 ;Matlab 程序： %最小二乘的递推算法 %Z(k+2)=1.5*Z(k+1)-0.7*Z(k)+u(k+1)+0.5*u(k)+v(k) %======================================== clear clc %==========400 个产生M 序列作为输入=============== x=[0 1 0 1 1 0