系统辨识与si-07 .pptVIP

第七章 系统辨识的现代方法 第一节 随机逼近法 第二节 最大似然法 第三节 预报误差法 第四节 贝叶斯方法 第一节 随机逼近法 一、确定性过程的梯度法 二、Robbins-Monro方法 三、应用于线性系统 第二节 最大似然法 一、最大似然法的基本原理 二、最大似然法——独立观测情况 三、应用于线性系统 第三节 预报误差法 一、预报误差准则 二、预报误差算法 第四节 贝叶斯方法 一、贝叶斯估计 二、应用于线性系统 * 前面介绍的最小二乘法也属于现代系统辨识方法。 随着现代控制理论、优化理论以及计算机技术的发展，提出各种新的系统辨识方法。 Stochastic Approximation Method，简称SA 随机逼近法是根据含有噪声观测数据，将确定性的梯度法应用于随机性问题，使得参数估计值都是观测量的递推线性函数。 一、确定性过程的梯度法 求解单变量非线性代数方程： 假设f(x)是已知函数，单调且有唯一解。 可采用经典的数值计算方法，如最速下降法 参数估计值递推格式 对于多变量方程，道理相同 问题:这种方法能不能推广应用于随机环境下? 二、Robbins-Monro方法 在随机环境下，在计算时会引入噪声，{xk}是一个随机序列，能收敛到真值x0吗？ 能否收敛的条件取决于增益序列KK 参数估计值递推格式 求解随机方程 Robbins和Monro于1951年提出： 如果增益序列