系统辨识综述.docx

系统辨识研究综述 摘要：本文综述了系统辨识的发展与研究内容，对现有的系统辨识方法进行了介绍并分析其不足，进一步引出了把神经网络、遗传算法、模糊逻辑、小波网络知识应用于系统辨识得到的一些新型辨识方法。并对基于T-S模型的模糊系统辨识进行了介绍。文章最后对系统辨识未来的发展方向进行了介绍 关键词：系统辨识；建模；神经网络；遗传算法；模糊逻辑；小波网络；T-S模型 1.系统辨识的发展和基本概念 1.1系统辨识发展 现代控制论是控制工程新的理论基础。辨识、状态估计和控制理论是现代控制论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持；控制理论的应用又几乎不能没有辨识和状态估计。 而现代控制论的实际应用不能脱离被控对象的动态特性，且所用的数学模型需要选择一种使用方便的描述形式。但很多情况下建立被控对象的数学模型并非易事，尤其是实际的物理或工程对象，它们的机理复杂且含有各种噪声，使建立数学模型更加困难。系统辨识就是应此需要而形成的一门学科。 系统辨识和系统参数估计是六十年代开始迅速发展起来的。1960年，在莫斯科召开的国际自动控制联合会(IFCA)学术会议上，只有很少几篇文章涉及系统辨识和系统参数估计问题。然而，在此后，人们对这一学科给予了很大的注意，有关系统辨识的理论和应用的讨论日益增多。七十年代以来，随着计算机的开发和普及，系统辨识得到了迅速发展，成为了一门非常活跃的学科。 1.2系统辨识基本概念的概述 系统辨识是建模的一种方法。不同的学科领域,对应着不同的数学模型,从某种意义上讲,不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。 L. A. Zadeh于1962年给辨识提出了这样的定义：“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。”当然按照Zadeh的定义，寻找一个与实际过程完全等价的模型无疑是非常困难的。根据实用性观点，对模型的要求并非如此苛刻。1974年，P. E. ykhoff给出辨识的定义 为：“辨识问题可以归结为用一个模型来表示客观系统 (或将要构造的系统) 本质特征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。而1978年，L．Ljung给辨识下了更加实用的定义：“辨识有三个要素——数据，模型类和准则。辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。” 图1-1 对于图1-1的动态系统，当上述系统的数学模型和初始状态已知时，倘若要求出该系统对一个规定输入信号的输出响应，这样的问题成为系统的分析，对这类问题，我们称之为“直接问题”。 而系统辨识所研究的问题，恰好是这类问题的“逆问题”。 通过辨识建立数学模型是为了估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出未来的演变，以及设计控制器。 系统辨识包括两个方面，即结构辨识和参数估计。基本过程必须包括下列主要阶段：（1）根据系统建模的目的及验前知识，进行系统辨识实验的设计；（2）根据系统建模的目的及验前知识，选择合适的模型类和结构；（3）根据实验观测数据，采用适当的方法估计出模型的未知参数；（4）对所得的数学模型进行检验。 系统辨识算法的原理如图1-2所示： 图1-2. 系统辨识算法的原理 在k时刻，根据前一时刻的估计参数计算出模型该时刻的输出，即过程输出的预报值： 同时计算输出预报误差，或新信息： 其中，过程输出量： 为了得模型参数和估计值，通常采用逐次逼近的方法，并以此更新模型参数，不断迭代，直至准则函数取最小值，此时模型输出也在准则下最好地逼近被识系统输出。 2.传统系统辨识研究方法 传统的系统辨识方法包括脉冲响应法、频率响应法、阶跃响应法、谱分析法、最小二乘法和极大似然法等。以脉冲响应为基础的系统辨识方法主要包括脉冲响应法、相关函数法和局部辨识法。其中，最小二乘法（LS）是一种经典的数据处理方法,但是，由于最小二乘估计是非一致的、有偏差的,因而为了克服它的不足,形成了一些以最小二乘法为基础的辨识方法:广义最小二乘法(GLS)、辅助变量法(IVA)和增广矩阵法(EM),以及将一般的最小二乘法与其它方法相结合的方法,如相关分析——最小二乘两步法(COR-LS)和随机逼近算法。 传统的系统辨识方法虽然已经发展的比较成熟和完善，但是随着人类社会的发展进步，越来越多的实际系统都是具有不确定性的复杂系统。而对于这类系统，传统的辨识建模方法难以得到令人满意的结果，这些辨识方法还存在着一定的不足和局限： （1）基于最小二乘法的系统辨识一般要求输入信号已知，且必须具有较丰富的变化,这一条件在许多普通闭环控制系统是可以满足的,而在某些动态预测系统和过程控制系统中,系统的输入往往无法精确获得或不允许随