最小二乘类辨识算法.pptVIP

a 为充分大的数,  充分小的实向量 其中na和nb 为模型阶次。为了运用最小二乘原理来辨识这种模型的参数，需要把上述模型写成最小二乘格式 这样就必须把噪声模型的参数包含在参数向量 中，从而引出增广概念，用来构造上式的参数向量 和数据向量 ，具体的构成形式会因噪声模型的结构不同而不同。下面是三种不同噪声模型的向量构成方法： ① 若 可按下式构成参数向量和数据向量： ②若 参数向量和数据向量的构成形式为： ③若 参数向量和数据向量的构成形式为： 以上这种构成参数向量和数据向量的思想就是所谓的增广原理，它是增广最小二乘法的根本。 * 系统的结构辨识 前面介绍了很多种参数辨识方法 无论哪一种方法都需要假定模型的结构已知 实际上 模型结构多数情况下是不可能预先知道的 因此 如何利用输入输出数据确定模型的结构,即模型结构辨识，具有重要意义 * 模型结构辨识包括 模型验前结构的假定 模型结构参数的确定 * 对线性系统来说 模型的验前结构 通常可直接采用差分方程或状态方程的表达形式 因此线性过程的模型结构辨识 实际上就是确定模型阶次或 Kronecter 不变量 * 利用相关分析法或最小二乘类方法 可获得相应的脉冲响应序列 为了 进一步把脉冲响应序列转换成参数模型 需要确定模型的阶次 * 设过程的脉冲响应序列 记作 构造 Hankel 矩阵 * 其中 决定 Hankel 矩阵的维数 K 可在 1 至 之间任意选择 决定用那些脉冲响应序列组成 Hankel 矩阵 * 如果 则 Hankel 矩阵的秩等于 即 因此 可以通过判断 Hankel 矩阵的奇异性来确定过程的阶次 * 此外 还有行列式比法、F检验法、AIC法和最终预报误差准则法等基本的阶次辨识方法 1、当输入为白噪声序列的时候， 由 ，及： 我们有： 2、当输入是M序列时，由： 我们有： * 递推算法 * 其中 式中的数据都是相关函数，需在计算k时刻的参数估计值之前，按前述公式计算k时刻的相关函数，才能构造向量 。 * 3、当取 时，可将模型 写成 * 若令 则有 或 * 写成 * 对该式运用最小二乘算法，可得 得到的结果与辅助变量法的结果是一致的。 * 对应的递推算法为 * 例7：辨识模型如下： * v(k)为零均值的不相关随机噪声。 * 5.6 多级最小二乘法 考虑如下模型 式中u(k)和z(k)分别为模型输入和输出变量；v(k)是均值为零、方差为 的白噪声。应用广义最小二乘法时，当噪声较大时，很难得到全局最小。现在用多级最小二乘法来辨识。 * 第一级：辅助模型参数辨识 令 则有 * 设 则有： * 由此可以辨识参数： 其中： * 第二级：过程模型参数辨识 由于 令 比较上式两边的次数，有： * 其中 * 用 的估计值 代替上面的矩阵得 ，则有： 由此可以辨识参数： * 第三级：噪声模型参数辨识 由： 令 比较上面式子两边得次数，我们有： * * 用第一级、第二级获得的估计值 代替上式 中的 ，得： 由此可以辨识参数： * 上述（1）、（2）、（3）组成了多级最小二乘法，利用输入输出数据，可以分别求得辅助模型、过程模型和噪声模型的参数估计值。在高噪信比情况下，多级最小二乘法将明显优于广义最小二乘法、广义最小二乘法可能出现多个收敛点，而多级最小二乘法的收敛点是唯一的。 * 例8 * 第一级：辅助模型参数辨识 令 则有 * 利用最小二乘法可得辅助模型的参数无偏一致估计为 数据长度L=400 * * 根据最小二乘法可得过程模型的参数为 * 其中 * * * * （1）自适应滤波 或 取 0.01 - 0.1， d 取 0 – 10 其中 表示k时刻的辅助变量参数估计值，它可由递推算法给出。 （55） （56） * （2）纯滞后 则辅助向量为 只要u(k)是持续激励信号，且与噪声e(k)无关，则辅助变量满足以上两个条件。 （57） （3）Tally 原理 如果噪声看成下列模型 其中v(k)是零均值的不相关随机噪声，且 * （58） （59） * 则