系统辨识作业_梯度法最小二乘法.doc

系统辨识 最小二乘算法 仿真对象为：，为服从N(0,1)分布的白噪声，输入信号采用4阶M序列% M array construction Np=15;r=4; X1=1;X2=1;X3=1;X4=1; m_length = r*Np; a=1; for i=1:1:m_length Y4=X4;Y3=X3;Y2=X2;Y1=X1; X4=Y3;X3=Y2;X2=Y1; X1=xor(Y3,Y4); if Y4==0 M(i)=-a; else M(i)=a; end end figure; i=1:1:m_length; plot(i,M); % 白噪声 noise = zeros(1,m_length); for i=1:1:m_length temp = noise + 0.5*rands(1,m_length); noise = temp; end noise = noise/12; %noise = temp; % parameter of system n=2;d=1;a1=-1;a2=0.5;b1=1;b2=0.5; S_U0=0.2;S_Y0=0.2; % generate u,y u0=ones(1,m_length)*S_U0; U = M + u0 + noise; figure; i=1:1:m_length; plot(i,U); %formulation y(1)=0;y(2)=0;y(3)=0; Y(1)=S_Y0+y(1)+noise(1);Y(2)=S_Y0+y(2)+noise(2);Y(3)=S_Y0+y(3) +noise(3); for k=4:m_length y(k) = b1*U(k-1-d)+b2*U(k-2-d)-a1*y(k-1)-a2*y(k-2); Y(k)=S_Y0+y(k)+noise(k); end figure; i=1:1:m_length; plot(i,Y); %辨识 % premitive value c=2; P = (c^3)*eye(3*n+d); sita(:,3) = [0,0,0,0,0,0,0]; alf = 0.995; % M %compute U0,Y0 sum_U = 0;sum_Y = 0; for k=1:1:m_length sum_U = sum_U + U(k); sum_Y = sum_Y + Y(k); end t_U0 = sum_U/m_length;t_Y0 = sum_Y/m_length; for k=1:1:m_length t_u(k) = U(k) - t_U0; t_y(k) = Y(k) - t_Y0; end figure; i=1:1:m_length; plot(i,t_u); figure; i=1:1:m_length; plot(i,t_y); v(1)=0;v(2)=0;v(3)=0; for k=4:1:m_length fai = [-t_y(k-1),-t_y(k-2),t_u(k-1-d),t_u(k-2-d),v(k-1),v(k-2),v(k-3)]; v(k) = t_y(k) - fai*sita(:,k-1); W = P*fai; dan = 1/(alf + fai*W); sita(:,k) = sita(:,k-1) + dan*W*v(k); P = ( P - dan * W*W)/alf; end 仿真结果如下图所示： 则各个参数的估计值为： 梯度校正辨识方法 仿真对象为，其中为服从N(0,1)分布的白噪声，取初值，，。 所选的辨识模型为，观测数据长度取。 则matlab程序如下: %确定性系统的递推梯度校正参数估计（RGC） clear all; close all; a=[1 -1.5 0.7]; b=[1 0.5]; d=3; %对象参数 na=length(a)-1; nb=length(b)-1; %na、nb为A、B阶次 L=400; %仿真长度 uk=zeros(d+nb,1); %输入初值：uk(i)表示u(k-i) yk=zeros(na,1); %输出初值 u=randn(L,1); %输入采用白噪声序列 theta=[a(2:na+1);b]; %对象参数真值 thetae_1=zeros(na+nb+1,1); %参数估计初值 alpha=1; %范围(0,2) c=0.1; %修正因子 for k=1:L phi=[-yk;uk(d: