系统建模与仿真-第3次课--第2章课件.pptVIP

* 在测量 时也有测量误差，系统内部也可能有噪声，应当考虑它们的影响。 因此假定 不仅包含了 的测量误差，而且还包含了 的测量误差和系统内部噪声。假定 是不相关随机序列（实际上 是相关随机序列）。 * 现分别测出n+N个输出输入值 ， 则可写出N个方程，即 * 上述N个方程可写成向量-矩阵形式 （2.87） * 设 则式（2.87）可写为 （2.88） N维输出向量 2n+1维 参数向量 N维噪声向量 N×(2n+1)维 测量矩阵 * （2.89） 式中：y为N维输出向量； 为N维噪声向量； 为（2n+1）维参数向量； 为 测量矩阵。因此式（2.88）是一个含有（2n+1）个未知参数，由N个方程组成的联立方程组。如果N2n+1，方程数少于未知数数目，则方程组的解是不定的，不能唯一地确定参数向量。如果N=2n+1，方程数正好与未知数数目相等，当噪声 时，就能确定地解出 0 x = * 如果噪声 ，则 （2.90） 从上式可以看出噪声 对参数估计有影响，为了尽量减小噪声 对估值 的影响，应取N(2n+1)， 即方程数目大于未知数数目。在这种情况下，不能用解方程的办法来求 ，而 * 要采用数理统计的办法，以便减小噪声对估值的影响。在给定输出向量y和测量矩阵 的条件下求系统参数 的估值，这就是系统辨识问题。可用最小二乘法或极大似然法来求 的估值，在这里讨论最小二乘法估计。 * 2.5.1.2 最小二乘辨识算法 设 表示 的最优估值， 表示y的最优估值，则有 （2.91） 式中 * 写出式（2.91）的某一行，则有 （2.92） * 设 表示 与 之差，即 * （2.93） 式中 称为残差。 * 把 分别代入式（2.93）可得残差 ， ，…， 。 设 则有 （2.94） * 最小二乘估计要求残差的平方和为最小，即按照指标函数 （2.95） 为最小来确定估值 。求J对 的偏导数并令其等于0可得 （2.96） （2.97） * 可得 的最小二乘估计 （2.98） J为极小值的充分条件是 （2.99） 即矩阵 为正定矩阵，或者说矩阵 是非奇异的。 下面举例说明最小二乘法的计算过程。 * [例4.1]已知某一单输入单输出线性系统的差分方程形式为 但其参数 ， ， 为未知数，且 为不相关的随机序列。经过辨识试验，测得5组输入输出数据为 * 试求出其最优参数估计。 * [解] 令最优参数估计为 ， 令输出 的最优估计为 。 测量矩阵为 * 该矩阵的转置为 两者之积为 * 的特征值为 ， ， 。 由于它的特征值均为正数， 所以 为正定矩阵， 满足残差二次型 取最小的充分条件， 其中 。 * 根据残差二次型 取最小的必要条件 可得最优参数估计为 * 矩阵 的逆为 于是 * 最后求得 即最优参数估计为 * 本次课内容总结 最小二乘法 一种不需矩阵求逆的最小二乘法 递推最小二乘法 辅助变量法 * * * dfadf * 2.4 系统辨识的定义、内容和步骤 某些系统的数学模型很难用机理建模法来完成，这是因为这些系统大都是复杂的工业过程系统，其工艺过程、工况等都十分复杂，有些甚至是人们无法洞悉或了解的。 在这种情况下，我们可以用系统的输入输出历史数据来推测系统的数学模型。这种方法就是所谓的系统辨识技术。系统辨识也属于经典建模技术的一种。 * * 系统辨识 参数辨识 结构辨识 已知系统结构（阶次）， 但参数未知。 系统结构（阶次）未知。 一般来说，系统辨识算法只适用于线性系统。非线性系统的辨识算法目前很不成熟，对于某些特殊的非线性系统可能有一些特殊的辨识方法，但是没有统一的算法。 * 2.4.1辨识的定义 （1）L.A.Zadeh定义（1962）：辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。 （2）P.Eykhoff定义（1974）：辨识问题可以归结为用一个模型来表示客观系统本质特征的一种演算，并用这个模