系统的辨识大作业1201张青.docVIP

实用标准文案 精彩文档 《系统辨识》 大作业 学号：班级： 自动化1班 姓名： 张青 信息与控制工程学院自动化系 2015-07-11 第一题 模仿index2，搭建对象，由相关分析法，获得脉冲响应序列，由，参照讲义， 获得系统的脉冲传递函数和传递函数;应用最小二乘辨识,获得脉冲响应序列;同图显示两种方法的辨识效果图；应用相关最小二乘法，拟合对象的差分方程模型；构建时变对象，用最小二乘法和带遗忘因子的最小二乘法，(可以用辨识工具箱) 辨识模型的参数，比较两种方法的辨识效果差异; 答：根据index2搭建结构框图： 相关分析法：利用结构框图得到UY 和tout 其中的U就是题目中要求得出的M序列，根据结构框图可知序列的周期是。 在command window中输入下列指令，既可以得到脉冲相应序列 ： aa=5;NNPP=15;ts=2; RR=ones(15)+eye(15); for i=15:-1:1 UU(16-i,:)=UY(16+i:30+i,1); end YY=[UY(31:45,2)]; GG=RR*UU*YY/[aa*aa*(NNPP+1)*ts]; plot(0:2:29,GG) hold on stem(0:2:29,GG,filled) Grid;title(脉冲序列g(τ)) 最小二乘法建模的响应序列 由于是二阶水箱系统，可以假设系统的传递函数为，已知，求 已知G（s）的结构，用长除法求得G(s)的s展开式，其系数等于从 求得的各阶矩，然后求G(s)的参数。 得到结果： a1 = -1.1561 a2 = 0.4283 b0 = -0.0028 b1= 0.2961 在command window中输入下列指令得到传递函数： 最小二乘一次算法相关参数 %最小二乘法一次完成算法 M=UY(:,1); z=UY(:,2); H=zeros(100,4); for i=1:100 H(i,1)=-z(i+1); H(i,2)=-z(i); H(i,3)=M(i+1); H(i,4)=M(i); end Estimate=inv(H*H)*H*(z(3:102)) %结束 得到相关系数为：Estimate = -0.7866 0.1388 0.5707 0.3115 带遗忘因子最小二乘法： %带遗忘因子最小二乘法程序 M=UY(:,1); z=UY(:,2); P=1000*eye(5); % Theta=zeros(5,200); % Theta(:,1)=[0;0;0;0;0]; K=zeros(4,400); % K=[10;10;10;10;10]; lamda=0.99;%遗忘因数 for i=3:201 h=[-z(i-1);-z(i-2);M(i);M(i-1);M(i-2)]; K=P*h*inv(h*P*h+lamda); Theta(:,i-1)=Theta(:,i-2)+K*(z(i)-h*Theta(:,i-2)); P=(eye(5)-K*h)*P/lamda; end i=1:200; figure(1) plot(i,Theta(1,:),i,Theta(2,:),i,Theta(3,:),i,Theta(4,:),i,Theta(5,:)) title(带遗忘因子最小二乘法) grid %结束 Estimate 可由仿真图得出，可知两种方法参数确定十分接近。 两种方法的辨识效果差异: 采用相关分析法和最小二乘法辨识出的脉冲响应图形可看出，用最小二乘法辨识出的图形更像脉冲响应，他在最后无偏差，衰减为零，其可实现无偏差估计。而相关分析法图形虽与相关分析的相近，但它最后有偏差。带遗忘因子的递推最小二乘辨识的参数平均值可随着实际参数变化而突变。但他对噪声比较敏感，只是参数围绕参数实际值上下波动，而辨识出参数的平均值接近实际值，而且比其他方法更加接近，并且可以防止数据饱和。 第二题 设SISO系统差分方程为（40分） y(k) = 辨识参数向量为 ＝ ]， 输入输出数据详见数据文件uy01.txt—uy03.txt。为噪声方差各异的白噪声或有色噪声。 试求解： 1）用最小二乘及递推最小二乘法估计； 2）用辅助变量法及其递推算法估计； 3）用广义最小二乘法及其递推算法估计； 4）用夏氏偏差修正法、夏氏改良法及其递推算法估计； 5）用增广矩阵法估计； 6) 用极大似然法估计； 7）分析噪声特性； 答：1.基本最小二乘法： %首先将