第四章最小二乘参数辨识方法及原理.pptVIP

1.确定性模型 1.确定性模型 2.随机模型 2.随机模型 式中 写出式(4-12)的某一行，得 (4-13) 设 表示 的最优估值， 表示 的最优估值，则有 (4-12) 设 表示 与 之差，通常称它为残差。 (4-14) 由式(4-14)得 (4-15) 把 分别代入式(4-14)，可得残差 把这些残差写成向量形式： (4-16) 最小二乘法估计要求残差的平方和为最小，即按照指标函数 为最小确定估值 。 (4-17) 可按 来求 的最小二乘法估计值 。 即 由此式用 左乘等号的两边，得 (4-18) 显然，当矩阵 存在时，式(4-18)才有解。一般说来，如果 是随机序列或伪随机二位式序列，则矩阵 是非奇异的 ，即 存在，式(4-18)有解。 J为极小值的充分条件是 (4-19) 因为 有解与 正定等价，所以可以保证 正定来确定对输入 序列的要求。由式(4-9)可知 (4-20) 则 因此，要求 正定，根据正定矩阵的性质，必须保证 正定 。这个条件称为 阶持续激励条件。通常，输入 序列采用随机序列或M序列时，它们都满足这个持续激励条件。显然，若 为常值序列时， 为奇异阵，不满足持续激励条件。 因输出值 是随机的，所以 是随机的，但要注意到 不是随机的。如果 则称 是 的无偏估计。 如果式(4-6)中的 是不相关随机序列，且其均值为零（ 实际上 往往是相关随机序列，对这种情况，以后专门讨论。并假设序列 与 不相关。当 为不相关随机序列时， 只与 及其以前的 有关，而与 及其以后的 等无关。从 的展开式可看出， 与 不相关。 的展开式如下所示： (4-22) 对上式等号两边取数学期望 由于 与 不相关， 则式(4-18)给出的 是 的无偏估计。把式(4-9)代入式(4-18)，得 (4-23) 只要 ，便有 式(4-24)表明 ， 是 的无偏估计。 (4-24) 显然，根据这一条件，要使最小二乘估计为无偏，可不必要求 。当 时，如何构造无偏估计，这是本章将要讨论的辅助变量法所要解决的问题。 在上面我们要求 是零均值的不相关随机序列，并要求 与 无关，则 与 无关。这是最小二乘估计为无偏估计的充分条件，但不是必要条件。 (4-25) 以上分析表明，当 时， 以概率1趋近于 。因此，当 为不相关随机序列时，最小二乘估计具有一致性和无偏性。如果系统的参数估计具有这种特性，就说系统具有可辨识性。 例4.2 考虑仿真对象 选择如下的辨识模型进行一般的最小二乘参数辨识。 4阶M序列 输出信号 一般最小二乘参数辨识流程图 作业1 * * * * 建模与辨识 第4章 最小二乘参数辨识方法 4.1、输入输出模型 4.2 最小二乘法（LS） 4.3 递推最小二乘法（RLS） 4.4 数据饱和现象及适应性算法 4.4.1 数据饱和现象 4.4.2 渐消记忆法(遗忘因子法) 4.4.3 限定记忆法（固定窗）法 4.4.4 辅助变量法（IV） 4.4.5 递推辅助变量法（RIV） 4.5 广义最小二乘法（GLS） 4.6 递推广义最小二乘法（RGLS） 4.7 增广矩阵法（ELS/RELS）（增广最小二乘法） 4.8 多阶段最小二乘法（MSLS） 4.9 几种最小二乘类辨识算法的比较 本章内容 本章的学习目的 1、掌握最小二乘参数辨识方法的基本原理 2、掌握常用的最小二乘辨识方法 3、熟练应用最小二乘参数辨识方法进行模型参数辨识 4、能够编程实现最小二乘参数辨识 回 顾 辨识目的：根据过程所提供的测量信息，在某种准则意 义下，