系统-辨识自适应控制.docxVIP

1.1讨论系统方程为：（信噪比）至少30% 为零均值白噪声， 0.80.6 0.5 (0≤k≤3000.3 (k≥300) 要求对系统参数辨识进行讨论 定常系统 a=0.8,b=0.5参数递推估计 时变系统λ取不同值是的不同结果并讨论。 （1）取初值P(0)=106I、（0）=0选择方差为1的白噪声作为输入信号u（k），L=300，采用RLS算法进行参数估计，代码及仿真结果图如下： clear all;close all; a=[1 0.8];b=[0.5];d=1; %对象参数 na=length(a)-1;nb=length(b)-1; %na、nb为A、B阶次 L=300; %仿真长度 uk=zeros(d+nb,1); %输入初值：uk(i)表示u(k-i) yk=zeros(na,1); %输出初值 u=randn(L,1); %输入采用白噪声序列 xi=sqrt(0.1)*randn(L,1); %白噪声序列 theta=[a(2:na+1);b]; %对象参数真值 thetae_1=zeros(na+nb+1,1); %thetae初值 P=10^6*eye(na+nb+1); for k=1:L phi = [-yk;uk(d:d+nb)]; %′此处phi为列向量 y(k)=phi*theta + xi(k); %采集输出数据 %递推最小二乘法 K=P*phi/(1+phi*P*phi); thetae( : ,k)=thetae_1 + K*(y(k)-phi*thetae_1); P=(eye(na+nb+1)-K*phi)*P; %更新数据 thetae_1 = thetae( : ,k); for i=d+nb:-1:2 uk(i)=uk(i-1); end uk(1)=u(k); for i=na:-1:2 yk(i)=yk(i-1); end yk(1)=y(k); end plot([1:L],thetae); %line([1,L],[theta,theta]); xlabel(k);ylabel(参数估计a、b); legend(a_1,b_0);axis([0 L -2 2]); 图1-1 递推最小二乘法的参数估计结果 （2））取初值P(0)=106I、（0）=0选择方差为1的白噪声作为输入信号u（k），取λ分别为0.91,0.95,0.98,1.00时，L=600，采用FFRLS算法进行参数估计，代码及仿真图如下所示： clear all;close all; a=[1 0.8];b=[0.5];d=1; %对象参数 na=length(a)-1;nb=length(b)-1; %na、nb为A、B阶次 L=600; %仿真长度 uk=zeros(d+nb,1); %输入初值：uk(i)表示u(k-i) yk=zeros(na,1); %输出初值 u=randn(L,1); %输入采用白噪声序列 xi=sqrt(0.1)*randn(L,1); %白噪声序列 thetae_1=zeros(na+nb+1,1); %thetae初值 P=10^6*eye(na+nb+1); lambda=0.98; %遗忘因子范围[0.9 1] for k=1:L if k==301 a=[1 0.6];b=[0.3]; %对象参数突变 end theta( : ,k)=[a(2 : na+1);b]; %对象参数真值 phi = [-yk;uk(d:d+nb)]; %′此处phi为列向量 y(k)=phi*theta( : ,k) + xi(k); %采集输出数据 %遗忘因子递推最小二乘法·¨ K=P*phi/(lambda+phi*P*phi); thetae( : ,k)=thetae_1 + K*(y(k)-phi*thetae_1); P=(eye(na+nb+1)-K*phi)*P/lambda; %更新数据 thetae_1 = thetae( : ,k); for i=d+nb:-1:2 uk(i)=uk(i-1); end uk(1)=u(k); for i=na:-1:2 yk(i)=yk(i-1); end yk(1)=y(k); end subplot(1,2,1) plot([1:L],thetae(1:na,:));hold on;plot([1:L],theta(1:na,:),k:);