自的适应控制--第五讲 最小方差自校正控制.ppt

* * * * * * * * * * Ppt的 p22 * * * * * * * * * * * 广义最小方差控制 7 基于广义最小方差自校正控制（克拉克方案） 作业 * * * * * * * * * * * * * * * 最小方差控制原理 由于被控对象是一个随机控制系统，其输出受噪声干扰而波动，因此最小方差控制的目标就是通过选择合适的控制量 u(t)，使其对输出的作用能抵消干扰的影响，使输出的稳态方差最小，即输出的波动最小。 算法思路为： 1 在u(t)=0 的条件下，预报噪声产生的输出偏差 yw(t+k) ； 2 用最小方差的性能指标计算 u(t) ，使其在 t+k 时刻可以产生抵消输出偏差 yw(t+k) 的信号。 * 由于噪声是随机信号，因此准确预报其 时刻以后对输出的影响是无法做到的。但是可以寻找一个最优的预报值，使一个统计特性上的性能指标可以取得最优值。比较常用的性能指标是方差，方差最小的预报值是波动最小的最优预报值。下面分析最小方差预报的具体算法： * * * 其它最小二乘法参数估计 遗忘因子递推最小二乘法参数估计 增广最小二乘法参数估计 广义最小二乘法参数估计 遗忘因子递推最小二乘法参数估计 当采用递推最小二乘法时，已有的所有信息向量都会在递推过程中发挥作用，因此随着时间的推移，新采集到的信息向量对参数估计值的修正作用会逐渐减弱，称为“数据饱和”现象，也就是说递推算法的计算效率逐渐降低。当被辨识的系统参数缓慢时变时，递推最小二乘法参数估计不能很好地实现系统辨识。 遗忘因子递推最小二乘法参数估计是在递推公式中加入遗忘因子，逐渐减小旧信息向量在参数估计中的权重，以加强新信息向量的作用，跟随系统参数的时变。 遗忘因子递推最小二乘法参数估计 自校正控制 r（t） 控制器 参数设计 被控对象 y（t） 控制器 辨识器 u（t） 是一个迭代优化的过程，通过边辨识、边综合，使得控制器参数能够逐步趋向于最优值的过程。 “自校正控制”的基本思想： 将参数估计算法与不同类型算法结合起来，形成一个能自动校正控制器参数的实时计算机控制系统。 1 自校正控制 r（t） 控制器 参数设计 被控对象 y（t） 控制器 辨识器 u（t） 可认为在自校正调节过程中，被控对象的模型是不变的，自校正控制的过程为： 面对的三个问题： （1）对过程进行在线递推参数估计； （2）设计控制率； （3）设计在计算机上如何实现； 2 最小方差自校正控制 闭环系统可辨识条件 最小方差控制 最小方差自校正控制 广义最小方差控制 基于广义最小方差控制 闭环系统可辨识条件 闭环系统可辨识条件 闭环系统可辨识条件 闭环系统可辨识条件 最小方差控制 系统模型 最小方差控制原理 最小方差预报 最小方差控制 最小方差控制的特性 最小方差控制 对该系统,有如下假设: 被控系统时滞时间k以及时滞算子z-1的多项式A、B和C的阶次及系数都已知; 2. 被控系统为最小相位系统,即多项式B(z)的所有零点都在单位圆内; 3.A(z)、C(z)所有零点都为稳定的,即所有零点都在单位圆内; 4. {w(k)}为零均值白噪声序列,且E{w2(k)}=?2. 3 最小方差控制 最小方差调节的基本思想是: 由于系统中信道存在着k步时滞,这就使得当前的控制作用u(t)要到k个采样周期后才能对输出产生影响. 因此,要获得输出方差最小,就必须对输出量提前k步进行预报,然后根据预报值来计算适当的调节作用u(t). 这样,通过不断的预报和调节,就能始终保持输出量的稳态方差为最小. 4 3. 最小方差预报 最小方差控制 最小方差控制 最小方差控制 5 最小方差控制 练习 最小方差控制 最小方差自校正控制 最小方差自校正控制 6 * * * * * * * * * * * * * * * 最小方差控制原理 由于被控对象是一个随机控制系统，其输出受噪声干扰而波动，因此最小方差控制的目标就是通过选择合适的控制量 u(t)，使其对输出的作用能抵消干扰的影响，使输出的稳态方差最小，即输出的波动最小。 算法思路为： 1 在u(t)=0 的条件下，预报噪声产生的输出偏差 yw(t+k) ； 2 用最小方差的性能指标计算 u(t) ，使其在 t+k 时刻可以产生抵消输出偏差 yw(t+k) 的信号。 * 由于噪声是随机信号，因此准确预报其 时刻以后对输出的影响是无法做到的。但是可以寻找一个最优的预报值，使一个统计特性上的性能指标可以取得最优值。比较常用的性能指标是方差，方差最小的预报值是波动最小的最优预报值。下面分析最小方差预报的具体算法： * * * * * * * * * * * * * Ppt的 p22 * * * * * * * * *