网站大量收购独家精品文档,联系QQ:2885784924

系统辨识课件-3-2011.ppt

  1. 1、本文档共27页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
系统辨识课件-3-2011

第3章 最小二乘法辨识 近代辨识:最小二乘法、极大似然法 辨识对象:以单输入单输出系统差分方程为模型 辨识内容:系统模型参数和系统模型阶次n 学习内容:各种参数估计算法的推导、特点、 流程、优缺点及适用范围 3.1 基本的最小二乘估计 解决问题:在模型阶次n已知的情况下,根据系统的输入输出数 据,估计出系统差分方程的各项系数。 将x(k)代入上式,可得输入输出数据方程为: 上式写成向量形式为: * * 式中,x(k)为理论输出值,y(k)为实际观测值,v(k)为观测噪声。则有: 1.基于输入/输出数据的系统模型描述 SISO系统的差分方程为 则当前输出为: 设观测数据有(n+N)个,令k分别等于n+1,···,n+N,则有: 记为: 输出向量 测量矩阵 参数矩阵 噪声矩阵 数据长度 N (注:实际数据个数为n+N) 若N=(2n+1)且ξ=0,则上式中的φ阵为(2n+1)×(2n+1)的方阵。由此,可解得θ的唯一解为: 而在实际工程中,ξ肯定不等于0,且N(2n+1),即方程个数远大于未知数,故而上述θ的解不成立。 当前任务: 在存在噪声ξ和数据长度N(2n+1)的情况下, 如何进行参数θ的估计。 (3.1) 即 2.基本的最小二乘法(LS) 辨识准则:残差平方和最小。 为模型的计算值,即 (1)残差e (2)指标函数J 故而,最小二乘法辨识就是使J最小的参数估计方法。 即有: 下面我们推导θ估计值的计算方法。 J取得最小值,也即J为极值,则有: 其中, 为(2n+1)×(2n+1)的方阵。 若其逆阵存在,则: (3.2) 上式即为最小二乘法的参数估计结果。 讨论:理论上,偏导为0只能说明J取得极值。可能为极大 值,也可能为极小值。 也即φTφ为正定阵。而φ阵为测量矩阵,它由输入/输出数据组成,故而“φTφ为正定阵”必与输入信号u(k)密切相关。因此,需要讨论LS方法对输入信号的要求。 使J为极小值的条件为: 3. 最小二乘法对输入信号的要求 主要讨论 对输入信号u(k)的要求。 其中, 则当N→∞时,有: 于是有: J取得极小值→φTφ正定→R正定→Ru正定。 因此: J取得极小值的必要条件为Ru为正定阵。 这就是最小二乘法对输入信号的要求。 定义: 如果序列{u(k)}的(n+1)阶方阵Ru是正定的,则称序列 {u(k)}为(n+1)阶持续激励信号。 因此,最小二乘法对输入信号的要求为: {u(k)}为(n+1)阶持续激励信号 哪些输入信号{u(k)}的Ru是强对角线占优矩阵?以下输入信号均能满足Ru正定的要求: 白噪声序列; 伪随机二位式噪声序列; 有色噪声随机信号序列。 工程上常用“伪随机二位式噪声序列”、“有色噪声随机信号序列”作为输入信号。 考查 若Ru为强对角线占优矩阵,则Ru正定。 4. 最小二乘估计的概率性质 最小二乘估计的概率性质主要有以下四方面: 估计的无偏性; 估计的一致性; 估计的有效性; 估计的渐进正态性。 我们主要讨论前两项:无偏性和一致性。 估计的无偏性 无偏性估计的定义: 若 ,则称 是参数θ的无偏估计。 下面讨论无偏估计的条件。 (3.3) LS无偏估计的充要条件为: 下面讨论无偏估计的充分条件。 考查充要条件 由上式可知: y(k)只与ξ(k),ξ(k-1),ξ(k-2)···相关,而与ξ(k+1),ξ(k+2),ξ(k+3) ···不相关。 若{ξ(k)}为零均值不相关随机序列,且与{u(k)}无关。 则由上式可知,ΦT与ξ不相关。 则有: 可见,在上述条件下我们得到了参数θ的无偏估计。 {ξ(k)}为零均值不相关随机序列,且与{u(k)}无关。 LS无偏估计的充分条件为: (2)一致性估计 一致性估计的定义: 若 ,则称 是参数θ的一致性估计。 若参数估计值以概率1收敛于真值θ,则称估计值具有一致性。或采用下述定义: 式中, 为估计误差 的方差。 下面讨论一致性估计的充分条件。 估计误差的方差为: 一致性估计的充分条件为: 同样,假设{ξ(k)}为零均值不相关随机序列,且与{u(k)}无关。则ΦT与ξ不相关,且有: {ξ(k)}为零均值不相关随机序列,且与{u(k)}无关。 (3) 估计值的有效性 有效性的定义:若参数估计误差的方差达到最小值,则称该估计值是有效估计值。 LS有效估计值的充分条件:{ξ(k)}是零均值且服从正态分布的白噪声序列。 (4) 估计值的渐近正态性 渐近正态性的定义:若参数估计值服从正态分布,则称该估计值是渐近正态的。 LS渐近正态性的充分条件:{ξ(k)}是零均值且服从正态分布的白噪声序列。

文档评论(0)

xcs88858 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

版权声明书
用户编号:8130065136000003

1亿VIP精品文档

相关文档