基于总体最小二乘的多功能传感器信号.doc

基于总体最小二乘的多功能传感器信号 重构方法研究 2010010214 孙洪刚 （控制科学与工程学院 控制理论与控制工程 2010010214） 摘 要： 基于总体最小二乘法的基本原理和Moore-Penrose广义逆矩阵的基本性质，本文提出了一种新的算法，用于多功能传感器输入信号的数值重构．算法既考虑了传感器输出信号的漂移，同时也考虑了输入信号的误差．仿真结果表明，该算法同传统的最小二乘策略相比具有较高的重构准确度和可靠性． 1.问题的提出 近年来，多功能传感器的研究逐渐得到重视。一般而言，多功能传感器可测量多种非电量信号，代替普通传感器，可大大减小测量系统的体积和功耗，在航天、航空和微机械制造业等领域有重要意义。有一类多功能传感器事实上是多函数型的，即假设传感器的输入信号为x1,x2, …xn，则其输出为 一般情况下，为非线性函数，且传感器的输入信号的数量与输出信号数量相等，即。多函数型传感器在环境参数测量和一般工业测量设计中已经得到了一定程度的开发应用。 显然，被测量的获得依赖对上文测量方程组的求解，即根据传感器的输出值,求出。这一过程也可以称为传感器信号的重构，它是多功能传感器一个重要环节。信号重构一般有以下几种主要方法：（1）第一次微元积分法；（2）间隔分析；（3）统计模型；（4）模糊变量代数法。他们可以很好的解决一元情况下的信号重构。二元函数情况下的多传感器系统信号重构可以采用分段线性最小二乘法，但该方法忽略了传感器输入信息的误差，极易出现矛盾方程组，使得信息值的分离与重构都十分困难，甚至无法实现。基于总体最小二乘算法及Moore-Penrose广义逆的相关原理，本文提出了一种新的传感器信号重构算法，在传感器输入、输出信息值都存在误差的情况下对线性条件下的多传感器输入信号进行信号重构，具有非线性函数关系的传感器同样可以做分段近似线性以应用本算法。由理论推导可知，当输入、输出数据被误差严重污染时，该方法的参数估计精度明显优于最小二乘法。 2.问题的解决 2.1算法与原理总结 （1）总体最小二乘法 考虑超定方程： (1) 式中，，,∈，。用最小二乘法解方程(1)时，就相当于找一个解使得= =。这个问题实际上是在A的值域上找一个使得；且的值域定义为。可见，用最小二乘方法(LS)解方程 (1)时，一般都基于假设仅有观测向量存在着误差，这时方程(1)可表示为： (2)令 的误差平方和为： e = (3) 则的求解准则就是使(3)中的最小。也可以认为，等同于用一个最小的去扰动以便可以用A的各列来预测．即Ls法只考虑了观测向量 b的扰动，而没有考虑系数矩阵A的扰动。但在实际应用中，矩阵A常常由系统的输入、输出数据所构成，数据中不可避免的含有误差，所以矩阵通常也含有误差。(由于是由输入、输出信号所构成，所以信号的误差就是产生扰动的原因。)因此，更合理的方法是同时考虑 和二者的误差。这就是总体最小二乘法 ()的基本思想。现设 和同时存在着扰动误差和，则方程(1)可改写为： (4) 由于矩阵的扰动误差不为零，其最小二乘解一般是有偏的。应用方法来考虑方程式(4)的求解，式(4)可以变换为： (5) 其中，，，．式(5)的解可以简单表示为求一个解向量，使得，。下面利用奇异值分解()给出式(5)的解。 令B=，其中U、V为酉阵，为对角阵．则式(5)的求解可分以下两种情况： (1) 明显比大。此时，存在唯一解： （6） 式中是右奇异阵V的第列向量中的第个元素。 (2) 的后面若干个奇异值是重复的(实际应用中常表现为多个奇异值很接近)。此时，会有多个解。但在这种情况下，找出某种意义下的唯一解是可能的。可能的唯一解有两种：最小范数解和最佳最小二乘近似解(本文采用最小范数解)。下面给出最小范数解的算法： ①计算的，即，并存储； ②利用决定，其中是某个很小的数； ③令是V的一个列分块，并计算 Householde矩阵Q使得： 其中X代表不感兴趣的块．为标量，为列向量。 ④若不为0，则有： (7) ⑤若为0，就应该减小原定的指数，也就是扩大矩阵的列数，重复第三步，直到得到一个不为0的。此时，由④就可得到的最小范数解。 观察步骤③可发现：，可通过使的第一列为第一行的复数共轭来获得(还有其它各种方法，但这是最简单的一种)。由于确定解只需利用