基于Matlab仿真线性与非线性动态系统建模教学方法探讨.docVIP

基于Matlab仿真线性与非线性动态系统建模教学方法探讨 　　[摘要]本文采用Matlab仿真产生模拟的可用于线性与非线性动态系统建模的输入输出数据。根据这些数据，设计程序生成建模所需的数据矩阵。同时给出了最小二乘法、最大似然估计、BP神经网络、RBF神经网络建模的样例程序。为学生熟悉、比较及应用各种线性与非线性动态系统建模方法提供了条件。 　　[关键词]动态系统建模 仿真 人工神经网络 　　在讲授完线性与非线性动态系统建模方法基本理论以后，需要让学生进行上机实验[1]以达到以下目的：1进一步加深理解学习的基本理论；2各种参数的选择对建模效果的影响；3各种建模方法的优缺点及适用场合。为了达到这些目的，我们模拟实际应用时的情况，提供给学生模拟的输入输出数据，以便学生利用这些数据，进行编程建立模型。同时我们编程实现基于最小二乘法、最大似然估计、BP神经网络、RBF神经网络的动态系统建模方法[2，3]，学生可以利用这些Matlab程序进行各种方法的学习、各种情况下建模效果的对比，以及各种方法的适用场合的对比。 　　一、 基于Matlab仿真的线性动态系统最小二乘法建模的教学 　　假设系统的差分方程为：y（k）=-a1y（k-1）-a2y（k-2）-…-any（k-n）+b0u（k）+b1u（k-1）+…+bmu（k-m）+e（k）。其中y（k）为输出，u（k）为输入，e（k）为模型残差。假定建模用的数据序列从y（k）开始，则构建以下数据矩阵及数据向量： 　　如果模型残差为白噪声（实际情况多为有色噪声，但当噪声强度不大时，可近似当作白噪声处理），则根据最小二乘法，由这 组数据估计得到的参数 。 　　以上的最小二乘法需要输入（u（K-m），u（K-1），…，u（K+N-1））和输出（y（K-n），y（K-n+1），…，y（K+N-1））数据，我们可用以下的Matlab程序（程序1）产生模拟的输入输出数据（程序中采用了一个简单的二阶离散系统，学生实验时可换成需要的模型），并形成数据矩阵及数据向量。 　　程序1： 　　clear all 　　K=3；%残差序列开始序号 　　N=1000；%共N组数据 　　n=2；%对应 　　m=2；%对应 　　u=randn（1，K+N-1）*0.1；%随机产生输入数据 　　for i=1：1：n 　　y（i）=0；%设定初始状态 　　end 　　for k=n+1：1：K+N-1 　　y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）；%根据输入计算输出 　　end 　　y=y+randn（1，K+N-1）*0.001； %在求得的单位阶跃响应上叠加噪声用以模拟测量误差 　　X=zeros（N，n+m+1）； 　　for i=K：1：K+N-1 　　for j=1：1：n 　　X（i-K+1，j）=y（i-j）；%构成矩阵X 　　end 　　for j=n+1：1：n+m+1 　　X（i-K+1，j）=u（i-j+n+1）； %构成矩阵X 　　end 　　end 　　for i=K：1：K+N-1 　　Y（i-K+1）=y（i）；%构成向量Y 　　end 　　save X X； 　　save Y Y； 　　save N N； 　　运行程序1将生产数据矩阵X（保存在X.mat中）及数据向量Y（保存在Y.mat中）。以下是根据最小二乘法估计参数的程序（程序2）。 　　程序2： 　　clear all 　　load X； 　　load Y； 　　XT=X； 　　sita=（XT*X）^（-1）*XT*Y%计算得到估计的参数sita 　　运行程序2，将得到估计的参数sita。如某一次运行中sita=[0.2004，0.4998，0.9998，0.2995，-0.0005]T，与模型中的值（见程序1）a1=0.2，a2=0.5，b0=1，b1=0.3，b2=0非常接近。 　　二、 基于Matlab仿真的线性动态系统最大似然估计建模的教学 　　在模型残差为白噪声的假设下，最大似然估计和最小二乘法在估计参数时是相同的，但最大似然估计还能估计出噪声的强度，程序3为相应的程序。 　　程序3： 　　clear all 　　load X； 　　load Y； 　　load N； 　　XT=X； 　　sita=（XT*X）^（-1）*XT*Y 　　Z=Y-X*sita； 　　StdV=sqrt（Z*Z/N）%估计标准差 　　运行程序3，得到和程序2一样的参数估计值，除此之外，还能得到噪声的标准差（或方差）。如某一次的运行结果为StdV=0.0011，和模型中值（见程序1）0.001非常接近。 　　三、 基于Matlab仿真的非线性动态系统BP神经网络建模的教学 　　基于神经网络的非线性动态系统