ch5 控制系统的仿真建模 控制计算机仿真教程文件.pptVIP

第5章 控制系统的仿真建模 ;5.1 问题的描述与模型的定义;5.2 控制系统模型的建立;5.2.1 建模要求和原则;5.2.2 建模过程的信息源; 3．综合（混合）建模法 对于那些内部结构和特性有些了解但又不十分清楚的。“灰色”系统(灰箱问题)，只能采用综合建模法(机理法、辨识法以及其他一些方法)。;5.2.4 最小二乘参数估计;1. 最小二乘法原理; 如果令z0=a，z0α =b，则上述函数关系可写成 z=a+bt （5.1) 每次观测中总带有测量误差。因此，每次观测所得的轴长并不是真正的轴长zi，而是yi。yi可写成 yi=zi(真值)+vi(随机观测误差) 或 yi=a+bti+vi （5.2) 式中，yi是可观测的随机变量，ti是可观测的独立变量(非随机变量)，vi是不可预测的随机性观测噪声，a和b是待估计的未知参数。 根据N次观测数据{ti, yi},i=1,…N，来估计出模型(5.1) 中的未知参数a和b的值。 ;; 通常采用各次误差的平方和作为总误差 （5.4） 这个误差平方和函数就是在估计参数时所采用的准则函数(或称为性能指标)。由于平方运算也称为“二乘”运算，因此，按照这种原则来估计参数a和b的值的方法称为最小二乘估计法(LS法)。 要使J达到极小值，只需分别对a和b求偏导数，并令它们等于零。a和b的估计值应满足下列条件 ;而 和 由下列方程组确定 (5.5) 得 (5.6) 通常将 和 称为最小二乘估计量(LSE)。 ;2. 最小二乘估计的批处理算法;将{y(i)}代入（5.7）式，得 （5.8） 式中，e(k)称为残差，表示用观测值{y(i)}取代模型(5.7)式的计算结果产生的误差。 取 （5.9） 作为模型参数估计的准则函数，则使J为极小的参数估计就是最小二乘估计。 令 （5.10）;式中，θ是待估计的2n维参数向量；ζ(N)是N维观测向量；ε(N)是N维误差向量；Φ(N)是N?2n维数据矩阵 。(5.8)式和(5.9)式可以重新表示为 （5.12） （5.13） ;将(5.12)式代入(5.13)式，可得 (5.14) 将J对θ求导，得 (5.15) 在(5.15)式中令 ,由可求得的最小二乘估计 (5.16); 这个方程叫做正则方程。由此方程就可以得到最小二乘估计值为 (5.17) ; (5.17)式所示的参数向量 是根据N组实际观测数据Φ(N)和y对参数θ的估计值。选用的准则是最小二乘准则，所以称它为最小二乘估计量。为了与其它估计量区别起见，用符号 表示。显然，估计量 是被观测数据y的线性函数，所以最小二乘估计是一种线性估计。 (5.9)式表示的准则函数中，假定了每次观测都具有相同的重要性。若考虑到各次观测的不同情况，则可以在准则函数中引入对每次观测的重视程度因子（称为权重）w(i)，得;用矩阵表示，就是