系统辨识试验报告.DOCVIP

系统辨识实验报告 实验要求 编制渐消记忆增广最小二乘辨识程序。 给定一个已知参数系统模型，并由它产生一组输入输出数据。 用得到的已知输入输出数据，通过编好的渐消记忆增广最小二乘辨识软件辨识已知系统的阶次与估计其参数，验证所编软件的正确性。 输入本实验中所给输入输出数据进行系统阶次辨识与参数估计。 写出实验报告，包括程序清单，辨识结果，实验结果和收获体会，讨论。 实验分析 增广最小二乘法适合于辨识如下数学模型的参数： 其中和表示过程的输出和输入，是均值为0的不相关随机噪声序列。 增广最小二乘法试图辨识噪声的模型： 由于噪声是不可知的，因此用相应的估计量代替： 所以： 这样可以写出带遗忘因子的增广最小二乘递推算法： 程序检验 给定一个系统模型： 其中：，，，，， 取输入量为表A中所给输入值，代入模型计算，得到一列输入值。模型中的噪声为均值0，方差0.09的高斯白噪声序列。 采用增广最小二乘程序进行辨识，取遗忘因子为1，系统模型两阶，噪声模型两阶，得到参数估计值与实际值比较： 表1 增广最小二乘算法的辨识结果 参 数 真 值 -1.5 0.7 1.0 0.5 -1.0 0.2 估计值 -1.4896 0.6804 1.0218 0.4797 -0.4654 -0.0183 从上表可以看出，，，，的辨识结果非常准确，说明增广最小二乘辨识效果不错。比较准确，而误差比较大，说明辨识噪声传递函数是困难的。辨识所得准则函数值为：，残差方差为。 给出参数变化曲线图： 图1 参数变化曲线图 图中A(1)，A(2)，B(1)，B(2)分别表示参数，，，估计值的变化趋势。可以看出参数很快趋于平稳，逼近实际值；C(1)，C(2)分别表示参数，估计值的变化趋势。C(1)有明显向靠拢的趋势，而C(2)与相差较远。 给出残差曲线图： 图2 残差变化曲线图 衡量系统辨识精度的一个重要指标是，对象系统的阶跃响应与辨识出系统的阶跃响应有多大的不同。下面给出两者的阶跃响应曲线比较图，不加噪声： 图3 理论与估计阶跃曲线图 可以看出理论模型与估计模型有一定的稳态误差。比较两者的稳态增益值，=7.5，=7.8671，有4.9 %的误差，这是噪声的影响造成的。 辨识结果 对表A中的输入输出数据进行系统辨识。取其中的第6到第200组数据，这样辨识长度=195。引入统计F检验，以确定系统阶次。定义： 式中表示取辨识系统阶次为时的残差方差。按照Astrom提出的用F检验确定系统阶次的方法，若从到都大于某个阈值，而小于这个阈值，则是对系统阶次的合理估计。一般取阈值为3。遗忘因子取1。 设噪声模型零阶时，辨识结果如下： 表2 噪声模型零阶时的辨识结果 模型阶次 1 2 3 4 5 准则函数 93.0342 88.7779 88.1388 86.6552 85.6687 残差方差 0.4771 0.4553 0.4520 0.4444 0.4393 --- 4.5786 0.6852 1.6008 1.0651 可以看出，随着系统模型阶次上升，准则函数与残差方差呈下降趋势。F检验的结果表明，系统阶次取2比较合适。 2）假设噪声模型一阶时，辨识结果如下： 表3 噪声模型一阶时的辨识结果 模型阶次 1 2 3 4 5 准则函数 90.6197 88.5969 87.6796 86.4305 85.4131 残差方差 0.4782 0.4573 0.4579 0.4465 0.4416 --- 4.3729 -0.1251 2.3723 1.0322 可以看出，随着系统模型阶次上升，准则函数与残差方差基本呈下降趋势。F检验的结果表明，系统阶次取2比较合适。 与噪声模型零阶时相比，对应系统阶次的准则函数值有所下降，而残差方差值却有很小幅度的上升。 3）假设噪声模型二阶时，辨识结果如下： 表4 噪声模型二阶时的辨识结果 模型阶次 1 2 3 4 5 准则函数 90.7835 88.5493 87.3531 86.3084 85.2281 残差方差 0.4781 0.4578 0.4617 0.4481 0