系统辨识最小二乘法—课设报告.doc

课 程 设 计 报 告 学 院： 专业名称： 学生姓名： 指导教师： 时 间：  课程设计任务书 一、设计内容 SISO系统的差分方程为： 参数取真值为：，利用MATLAB 的M语言辨识系统中的未知参数、、、。 二、主要技术要求 用参数的真值及差分方程求出作为测量值，是均值为0，方差为0.1、0.5和0.01的不相关随机序列。选取一种最小二乘算法利用MATLAB的M语言辨识参数。 三、进度要求 2周（6月28日-7月11日）完成设计任务，撰写设计报告3000字以上，应包含设计过程、 计算结果、 图表等内容。具体进度安排： 6月28日，选好题目，查阅系统辨识相关最小二乘法原理的资料。 6月29日，掌握最小二乘原理，用MATLAB编程实现最小二乘一次完成算法。 6月30日，掌握以最小二乘算法为基础的广义最小二乘递推算法。 7月1日，用MATLAB编程实现广义最小二乘递推算法。 7月2日，针对题目要求进行参数辨识，并记录观察相关数据。 7月3日-7月5日，对参数辨识结果进行分析，找出存在的问题，提出改进方案，验证改进优化结果。 7月6日-7月7日，撰写课程设计报告。 7月8日，对课程设计报告进行校对。 7月9日，打印出报告上交。 学 生 王景 指导教师 邢小军  设计内容 设SISO系统的差分方程为： 式（1-1） 参数取真值为：，利用MATLAB 的M语言辨识系统中的未知参数、、、。 设计过程 问题重述。 设SISO系统的差分方程为： 式（2-1） 参数取真值为：，利用MATLAB 的M语言辨识系统中的未知参数、、、。 要求：用参数的真值利用差分方程求出作为测量值，是均值为0，方差为0.1、0.5和0.01的不相关随机序列。选取一种最小二乘算法辨识。 最小二乘参数辨识 最小二乘法的概念与应用 对工程实践中测得的数据进行理论分析，用恰当的函数去模拟数据原型是一类十分重要的问题，最常用的逼近原则是让实测数据和估计数据之间的距离平方和最小，这即是最小二乘法。最小二乘法是一种经典的数据处理方法。在系统辨识领域中 ,最小二乘法是一种得到广泛应用的估计方法 ,可用于动态系统 ,静态系统 , 线性系统 ,非线性系统。可用于离线估计，也可用于在线估计。这种辨识方法主要用于在线辨识。在随机的环境下，利用最小二乘法时，并不要求观测数据提供其概率统计方面的信息，而其估计结果，却有相当好的统计特性。 MATLAB是一套高性能数字计算和可视化软件 ,它集成概念设计 ,算法开发 ,建模仿真 ,实时实现于一体 ,构成了一个使用方便、界面友好的用户环境 ,其强大的扩展功能为各领域的应用提供了基础。对于比较复杂的生产过程 ,由于过程的输入输出信号一般总是可以测量的 ,而且过程的动态特性必然表现在这些输入输出数据中 ,那么就可以利用输入输出数据所提供的信息来建立过程的数学模型。这种建模方法就称为系统辨识。把辨识建模称作“黑箱建模”。 最小二乘法系统辨识结构： 本文把待辨识的过程看作“黑箱”。只考虑过程的输入输出特性，而不强调过程的内部机理。 图中，输入u(k)和输出z(k)是可以观测的；G（）是系统模型，用来描述系统的输入输出特性；N（）是噪声模型，v(k)是白噪声，e(k)是有色噪声，根据表示定理： 可以表示为 e(k) =N（）v(k) 准则函数 设一个随机序列的均值是参数的线性函数： ，其中是可测的数据向量，那么利用随机序列的一个实现，使准则函数： (式2-2) 达到极小的参数估计值称作的最小二乘估计。 最小二乘格式：，为模型参数向量，为零均值随机噪声。 最小二乘一次完成算法 最小二乘问题的解 考虑系统模型: (式3-1) 准则函数可写成： （式3-2） 极小化准则函数得到： （式3-3） 通过极小化式3-2计算的方法称作加权最小二乘法，为加权最小二乘估计，若取，则退化为一般最小二乘估计值，对应方法叫最小二乘法： = （式3-4） 当获得一批数据后，利用式3-3或3-4可一次求得相应参数估计值，对应的称为最小二乘估计值，这样处理问题的方法就称作一次完成算法。 输入信号: 随机序列（如白噪声）； 伪随机序列（如M序列或逆M序列）； 离散序列 最小二乘一次完成算法的MATLAB仿真（程序源代码见附录） 考虑仿真对象 z(k)= -1.642z(k-1)-0.715z(k-2)+0.39u(k-