系统辨识与自适应课程报告.docxVIP

新疆大学电气工程学院系统辨识与自适应课程报告姓名：* *学号：* *学科专业：* *年级：* *学期：* *完成时间：* *题1考虑如下模型式中，为均值为零，方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),采用递推最小二乘法估计模型参数（限定数据长度N为某一数，如150或其他数）。表1-1递推最小二乘法的参数估计结果参数真值-1.30.310.5估计值-1.31810.31901.00500.4689图1-1递推最小二乘法的参数估计结果仿真程序%递推最小二乘参数估计（RLS）clear all; close all;a=[1-1.30.3]; b=[10.5]; d=1;%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xi=sqrt(0.1)*randn(L,1);%白噪声序列theta=[a(2:na+1);b];%对象参数真值thetae_1=zeros(na+nb+1,1);%thetae初值P=10^6*eye(na+nb+1);for k=1:L phi=[-yk;uk(d:d+nb)];%此处phi为列向量 y(k)=phi*theta+xi(k);%采集输出数据%递推最小二乘法 K=P*phi/(1+phi*P*phi);thetae(:,k)=thetae_1+K*(y(k)-phi*thetae_1); P=(eye(na+nb+1)-K*phi)*P;%更新数据 thetae_1=thetae(:,k);fori=d+nb:-1:2uk(i)=uk(i-1);enduk(1)=u(k);fori=na:-1:2yk(i)=yk(i-1);endyk(1)=y(k);endplot([1:L],thetae); %line([1,L],[theta,theta]);xlabel(k); ylabel(参数估计a、b);legend(a_1,a_2,b_0,b_1); axis([0 L -2 2]);题2有一模型如下式中，为均值为零，方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k)，采用增广最小二乘法作参数估计。表1-2 增广最小二乘法的参数估计结果参数真值-0.80.1510.5-0.650.1估计值-0.78390.14031.01060.5157-0.61800.1255图1-2 增广最小二乘法的参数估计结果仿真程序%递推增广最小二乘参数估计（RELS）clear all; close all;a=[1-0.80.15]; b=[10.5]; c=[1-0.650.1]; d=2;%对象参数na=length(a)-1;nb=length(b)-1;nc=length(c)-1;%na、nb、nc为A、B、C阶次L=1000;%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xik=zeros(nc,1);%噪声初值xiek=zeros(nc,1);%噪声估计初值u=randn(L,1);%输入采用白噪声序列xi=sqrt(0.1)*randn(L,1);%白噪声序列theta=[a(2:na+1);b;c(2:nc+1)];%对象参数thetae_1=zeros(na+nb+1+nc,1);%na+nb+1+nc为辨识参数个数P=10^6*eye(na+nb+1+nc);for k=1:Lphi=[-yk;uk(d:d+nb);xik]; y(k)=phi*theta+xi(k);%采集输出数据phie=[-yk;uk(d:d+nb);xiek];%组建phie%递推增广最小二乘法 K=P*phie/(1+phie*P*phie);thetae(:,k)=thetae_1+K*(y(k)-phie*thetae_1); P=(eye(na+nb+1+nc)-K*phie)*P;xie=y(k)-phie*thetae(:,k);%白噪声的估计值%更新数据 thetae_1=thetae(:,k);fori=d+nb:-1:2uk(i)=uk(i-1);enduk(1)=u(k);fori=na:-1:2yk(i)=yk(i-1);endyk(1)=y(k);fori=nc:-1:2xik(i)=xik(i-1);xiek(i)=xiek(i-1);endxik(1)=xi(k);xiek(1)=xie;endfigure(