系统辨识第五章节幻灯片.pptVIP

* 等式两端平方，并取期望，有 测量值方差 若令 可得： * 则可改写为： 其中， 为了使均方收敛 成立，应有 。故要求 。 令 ，可以导出： 或写成： * * 因在 有限，和条件4: 情况下，应有： 由于条件3成立，即 ,必有 均方收敛。证毕。 再考虑到 有限及条件2： 。因而由递推算法： 知，有 ，且必有 * 4.Kiefer-Wolfowitz(K-W)法 R-M方法表明回归函数 是单调、有唯一解函数的解（根）。若回归函数 是未知单峰函数，为了确定函数 的极值，必须采用K-W法。 R-M算法，一般用来求方程 的根。 若回归函数 存在极值，由于在极值处， 使 ，根据R-M算法，Kiefer-Wolfowitz给出了 求回归函数 极值的迭代算法： * K-W算法可以直接推广到多维情况。若考虑 性能指标 的极值问题，如果 在 上， 取极值，则求 的迭代算法为： 设 且 ,则有 式中，若收敛因子 满足Robbins-Monro算法条件，则K-W算法是均方收敛的。 其中收敛因子 满足R-M算法条件， 在均方意义下收敛于真值 ，即 * 二.随机逼近参数估计方法 1. 模型随机逼近参数估计的基本公式 考虑如下模型辨识问题： * 其中 为零均值噪声。设性能准则函数为 因而，所考虑的模型辨识问题，归纳为如 下方程求解： 其中 为某标量函数， 表示 时刻以前的输入输出数据集合。显然，准则函数的 一阶负梯度为： * 由K-W随机逼近法，得参数估计递推公式： 如果准则函数取为： 其一阶负梯度为： 其中，收敛因子 满足R-W法条件。 * 则相应有 2.第一种噪声模型下，n阶线性定常系统的 随机逼近参数估计 设系统动态方程： 于是，随机逼近估计公式为： 式中， 为零均值独立随机噪声序列。 令 * 量测向量 模型方程可写成 其一阶负梯度 噪声方差 取性能准则函数 * 因而求J=min时，等价于求 之根。由K-W法，随机逼近参数估计递推 算法为 式中，收敛因子 满足R-M法中相应条件。 设系统结构图如下： 3. 第二种噪声模型下，n阶线性定常系统的 随机逼近参数估计 * 因而系统差分方程为: * 含噪声输出信息： 含噪声输入信息： 其中噪声序列 与 为彼此独立，零均值, 独立同分布的随机噪声序列，其统计特性 由此，可导出输出观测方程如下： * 式中 显然， 为零均值n步相关随机噪声序列， 其统计特性： * 根据K-W法，可得每隔(n+1)拍进行一次迭代修正 的随机逼近参数递推算法： 其中， 要求同前。 * 4. 收敛因子的选择 在上述估计中，收敛因子取为 ，但亦 可取 。一般来说，收敛因子 随 的增大要有足够的下降速度，以保证收敛性好； 但又不能下降太快，否则被处理的数据总量太少. 1974年，Isermann推荐按如下方式选择 ： * 例5-3 设仿真对象 式中， 与 分别为零均值，方差为1和0.25的 不相关随机噪声。其采用第2种噪声模型的随机 逼近辨识法。求出的参数参数估计值误差结果如图。 * §5-3 几种参数辨识方法的比较 一. 递推辨识算法的收敛性