递推最小二乘辨识.pptVIP

递推最小二乘法() 上一节中已经给出了法的一次成批型算法,即在获得所有系统输入输出检测数据之后,利用估计式一次性计算出估计值. 成批型法在具体使用时不仅计算量大,占用内存多,而且不能很好适用于在线辨识. 随着控制科学和系统科学的发展,迫切需要发展一种递推参数估计算法,以能实现实时在线地进行辨识系统模型参数以供进行实时控制和预报,如 自适应控制和预报 时变参数辨识 故障监测与诊断 仿真等. 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 的基础上修正而成,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. 递推算法的特性 本讲主要讲授递推最小二乘( , )法的思想及推导过程,主要内容为: 递推算法 加权法和渐消记忆法 递推算法 递推算法就是依时间顺序,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. 法即为上一节的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的递推算法. 新的参数估计值旧的参数估计值修正项 () 递推算法具有良好的在线学习、自适应能力，在 系统辨识 自适应控制 在线学习系统 数据挖掘 等方面有广泛的应用。 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. [(), (), ..., ()] ?[?(), ?(), ..., ?()], ×() 受控模型：()()()()() ?? [(), (), ..., ()] Φk=[?(0), ?(1), ..., ?(k-1)]T=[ φ(k-1)]T Yk=[y(1), y(2), ..., y(k)]T=[ y(k)]T 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[?(), ?(), ..., ?()] 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. 递推算法() 令 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 . 有时,为计算方便并便于理解,上述估计算法又可表示为 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(). 预报误差 表示基于 时刻的历史数据对()的预报值。 值得指出的是矩阵()是一个对称、非增的矩阵. 若在递推计算过程中破坏了()的对称性,随着递推的推进,计算(辨识)误差将越来越大,并将导致辨识不一致收敛. 为了保证计算过程中()矩阵始终是对称的,算法中的()的计算可采用下面的计算式,以保证不破坏()矩阵的对称性. 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()?,