系统辨识总复习幻灯片.pptVIP

实验步骤 ● 1. 采集2个周期的输入和输出数据，得到M(k), Z(k)。 2. 利用M(k), Z(k)和书上(3.1.12)式计算 。 (3.1.12)式 3. 利用 和书上(3.1.10)式计算 。 (3.1.10)式 第四章 线性系统的经典辨识方法 4. 利用书上(3.1.7)式计算 (3.1.7)式 5. 利用书上(3.2.16)式和(3.2.15)式计算 (3.2.16)式 (3.2.15)式 第四章 线性系统的经典辨识方法 6. 利用书上(3.2.1)式, (3.2.7)式, (3.2.9)式和(3.2.10)式计算 。 (3.2.1)式 (3.2.7)式 (3.2.9)式 (3.2.10)式 第四章 线性系统的经典辨识方法 第5章 最小二乘法辨识 5.2 递推最小二乘法 5.3 辅助变量法 5.1 最小二乘法 5.4 广义最小二乘法 5.5 增广矩阵法 5.1.1 最小二乘估计算法 实际被控制对象: 估计输出: 使最小二乘指标最小: 定义残差: 假设实际系统为: 第5章 最小二乘法辨识 一次完成最小二乘算法 ● 推导得出模型参数: N×(2n+1) N×1 (2n+1)×1 (5.1.18) 适合离线辨识；要求数据量大；辨识精度高 第5章 最小二乘法辨识 5.2 递推最小二乘法 递推最小二乘法的推导过程 ● 一次完成算法为： 如果再来一组新的测量值 {u(n+N+1), y(n+N+1)} 第5章 最小二乘法辨识 递推最小二乘算法推导过程的核心在于： 1) 避免求逆计算 2) 利用前一次计算的模型参数 注意 一次完成算法： 递推最小二乘法: 递推最小二乘算法的启动,需要设置初始值! ● 第一种方法: 第二种方法: (2n+1)×(2n+1) (2n+1)×1 最小二乘估计的概率性质 ● 1) 无偏性: 衡量估计值是否 围绕真值波动. 2) 一致性 如果估计值具有一致性，说明它将以概率1收敛于真值。 如果施加在系统上的噪声是白噪声，则最小二乘法是无偏估计，其估计值是一致收敛的！ 第5章 最小二乘法辨识 目的: 如果施加在系统上的噪声是有色噪声，则用辅助变量法也可以保证对模型参数的估计是无偏估计，并且估计值是一致收敛的！ 改变最小二乘算法形式! 对噪声进行处理, 转化为白噪声! 辅助变量法 广义最小二乘法 增广最小二乘法 第5章 最小二乘法辨识 数学模型 辨识算法 被控对象 待辨识系统 如何选择辅助变量 ● 1）递推辅助变量参数估计法： 第5章 最小二乘法辨识 例1 考虑一仿真对象: ● 假设待辨识的系统阶次为2。当输入输出的数据长度取为14时，利用一次完成最小二乘算法估计模型参数。 解：(1)系统模型可设为 第5章 最小二乘法辨识 u(3) u(4) (2) 计算中涉及的矩阵如下： 第5章 最小二乘法辨识 第5章 最小二乘法辨识 (3) 编程如下： 第5章 最小二乘法辨识 第5章 最小二乘法辨识 (4) 输出结果： (5) 分别加入白噪声N(0, 1)和N(0, 0.1)进行实验，给出 有噪声影响后的辨识结果。 例2 考虑仿真对象: ● 假设待辨识的系统阶次为2。利用递推最小二乘算法估计模型参数。 0.03。 解：(1)系统模型可设为 第5章 最小二乘法辨识 (2) 计算中涉及的矩阵如下： 设初始值: (2n+1)×(2n+1) (2n+1)×1 第5章 最小二乘法辨识 第5章 最小二乘法辨识 (3) 编程如下： 第5章 最小二乘法辨识 (4) 画图： 第5章 最小二乘法辨识 (5) 输出 结果： 第5章 最小二乘法辨识 第5章 最小二乘法辨识 (6) 分别加入白噪声N(0, 1)和N(0, 0.1)进行实验，给出有噪 声影响后的辨识结果。 第5章 最小二乘法辨识 在实际工程中，容易实现这样的信号。幅值、周期、时钟节拍都能够控制。 伪随机码序列： 第二章 系统辨识常用输入信号 电路组成 移位寄存器 + 异或反馈电路 工作原理 第二章 系统辨识常用输入信号 实例: 二值四级反馈移动寄存器 初值: (a3,a2,a1,a0)=(1,0,0,0) 第二章 系统辨识常用输入信号 均衡性 在M序列的一周期中，“1”和“0”的数目基本相等。 游程分布 序列中取值连在一起的元素合称为一个“游程”。 游程中元素的个数称为游程长度。 3