递推最小二乘辨识课件.ppt

常规最小二乘辨识的递推算法 主要内容 .思想及原理 .实例与仿真 .应用 .递推最小二乘法的思想及原理 递推最小二乘法的引入 *最小二乘法的缺陷 （）数据量越多，系统参数估计的精度就越高，为了获得满意的辨识结果，矩阵的阶数 常常取得相当大。这样矩阵求逆的计算量很大，存储量也很大。 （）每增加一次观测量，都必须重新计算φ，（ ）。 （）如果出现φ列相关，既不满秩的情况， 为病态矩阵，则不能得到最小二乘估计值。 *递推最小二乘参数辨识，就是当被辨识的系统在运行时，每取得一次新的观测数据后，就在前一次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，从而递推地得出新的参数估计值。这样，随着新的观测数据的逐次引入，一次接一次的进行参数计算，直到参数估计值达到满意的精确程度为止。 递推算法的思想 * 递推辨识算法的思想可以概括成 新的参数估计值旧的参数估计值修正项 即新的递推参数估计值是在旧的递推估计值的基础上而成，这就是递推的概念. 递推算法不仅可减少计算量和存储量,而且能实现在线实时辨识. * 递推算法是依时间顺序,每获得一次新的观测数据就修正一次参数估计值,随着时间的推移,便能获得满意的辨识结果. 法即为成批型算法的递推化，即将成批型算法化成依时间顺序递推计算即可。 该工作是年由完成的。 *下面讨论无加权因素时的一般法的递推算法的推导. 即将成批型算法化等效变换成如下所示的随时间演变递推算法. 时不变系统数学模型：()()()()() 已知系统的输入()和输出(),求参数的估计值。 可以得到向量形式的线性方程组： ?? [(), (), ..., ()] ?[?(), ?(), ..., ?()], 设在时刻和时刻,系统的参数估计结果为 其中 和 分别为根据前次和前次观测采样数据得到的参数估计值. 首先,假定在第次递推中,我们已计算好参数估计值 在第次递推时,我们已获得新的观测数据向量?()和(),则记 Φ[?(), ?(), ..., ?()] [(), (), ..., ()] Φ[?(), ?(), ..., ?()][φ() φ()] Yk=[y(1), y(2), ..., y(k)]T=[ y(k)]T 仔细考察上述法,可以知道,该算法进行递推化的关键是算法中的矩阵求逆的递推计算问题. 因此,下面先讨论该逆矩阵的递推计算. 将Φ展开,故有 为便于逆矩阵递推算式的推导,下面引入如下矩阵反演公式(设和为可逆方阵) ()() () 该公式可以证明如下:由于 ()[()] () () [()]() 因此,矩阵反演公式()成立. 下面讨论参数估计值 的递推计算. 由上一讲的一般估计式 由式()和矩阵反演公式(),可得()的如下递推计算式 有 该乘积为标量 ()() 即 利用公式 利用公式()[()?()?()] 将式()和()整理可得如下估计算法表示 其中的计算顺序为先计算(),然后再计算 . 其中()称为增益向量；令 上述算法的计算顺序为 先计算(), 然后再分别计算 和(). 表示基于 时刻的历史数据对()的预报值。 有时,为计算方便并便于理解,上述估计算法又可表示为 综上所述法的基本计算步骤可总结如下: . 确定被辨识系统模型的结构,以及多项式()和()的阶次; . 设定递推参数初值 (); . 采样获取新的观测数据()和(),并组成观测数据向量?(); . 用式()()或()()所示的法计算当前参数递推估计值 ; . 采样次数加,然后转回到第步骤继续循环. 下面关于该算法,有关于其实现问题的如下讨论: 递推初始值选取 成批与的比较 信号充分丰富与系统充分激励 数据饱和 . 递推初始值选取 在递推辨识中,如何选取递推计算中的 和()的初值是一个相当重要的问题. 一般来说,有如下两种选取方法: () 选取 各元素为零或较小的参数()?,其中?为充分大的实数（～）; () 先将大于所需辨识的参数个数的组数据,利用成批型的法求取参数估计值?和协方差阵(),并将这些量作为递推估计的初值. . 法和法的比较 法和法的比较 法是一次完成算法,适于离线辩识,要记忆全部测量数据,程序长