第1章-被控对象数学模型.ppt

将上式写成如下形式： 1.4 实验法建立被控对象的数学模型 2. 参数的最小二乘法估计原理 在n和τ已知的前提下，最小二乘法是根据已获得的被控过程输入、输出数据，求出 及 的估计值 和 ，使系统按上式模型描述时，对输入、输出数据拟合的误差平方和最小。 若通过试验或现场监测，采集到被控过程或系统的n+N对输入、输出数据 1.4 实验法建立被控对象的数学模型 考虑到测量误差、模型误差和干扰的存在，如果将实际采集到的被控过程的输入、输出数据代入上式，同样存在一定的误差。如果用e(k)表示这一误差（称为模型残差），则上式变为如下形式： 式中 为了估计模型中的2n个参数ai及bi，将采集的n+N对输入、输出数据代入上式，得到N个方程 1.4 实验法建立被控对象的数学模型 将上面的方程组用矩阵的形式表示 式中 1.4 实验法建立被控对象的数学模型 最小二乘法参数估计是指选择参数 ， 使模型误差尽可能的小，即要求估计参数 使 为了求使J达到最小值的参数 ，可通过对J求极（小）值求得。 即 可得唯一的最小二乘参数估计值 ： 1.4 实验法建立被控对象的数学模型 例1.4.1 已知仿真对象 式中，v(k)是服从正态分布的白噪声 。计算参数估计值 。 构造Z(即Y)和H(即X)，数据长度取L=14。 1.4 实验法建立被控对象的数学模型 解：选择如下形式的辨识模型： 输入信号采用k=1到k-15的四阶M序列，幅度为1。 被辨识的参数 ，观测矩阵Z和H的表达式分别为 1.4 实验法建立被控对象的数学模型 从运行结果可知： 利用新增加的数据对原先已计算出的参数估计值进行适当的修正，使其不断刷新，这样就不需要对全部数据进行重新计算和保存，可减少内存占用量和计算量，提高计算速度，这就是递推最小二乘法估计参数的思路。递推最小二乘法计算速度快、占用内存少，适合进行在线辨识。 3. 参数估计的递推最小二乘法 1.4 实验法建立被控对象的数学模型 把由n+N对数据获得的最小二乘参数估计记为 ，由n+N+1对数据获得的最小二乘参数估计记为 。 在n+N对数据的基础上再增加一对实测数据时，输出矢量Y增加一个元素，矩阵X增加一行，记为 1.4 实验法建立被控对象的数学模型 已知，由n+N对数据求出的最小二乘参数估计值为 可得n+N+1对数据求出的最小二乘参数估计值为 令 用递推公式进行计算时，需要事先确定 和 的初值，如果是在一次完成算法基础上进行的，初值就已经有了。如果一开始就采用递推算法进行在线辨识， 、 的初值通常可作如下设定：取 ，I为单位阵，a为足够大的标量，如 a=105-1010, 或任意值。递推从 、 开始进行即可。 可得： 上两式共同组成参数估计最小二乘法的递推公式。 1.4 实验法建立被控对象的数学模型 1.4 实验法建立被控对象的数学模型 例1.4.2 已知仿真对象 式中，v(k)是服从正态分布的白噪声 。计算参数估计值 ,并计算各次参数辨识的相对误差，满足误差要求后停止。 解：选择如下形式的辨识模型： 输入信号采用k=1到k-15的四阶M序列，幅度为0.03。 从运行结果可知，第10步达到稳定状态，误差非常小。 1.4 实验法建立被控对象的数学模型 4. 模型阶次n和纯滞后τ的确定 1) 模型阶次n的确定 确定模型阶次n的方法很多，最为简单的方法是拟合度检验法，也称损失函数检验法，它是通过比较不同阶次的模型输出与实测输出的拟合好坏，决定模型阶次。其具体作法是：先依次设定模型的阶次n=1,2,3,…，再计算不同阶次时的最小二乘参数估计值及其相应的损失函数J，然后比较相邻的不同阶次n的模型与实测数据之间拟合程度的好坏，确定模型的阶次。 被控过程纯滞后τ通常是可以事先知道的。当τ大小未知时，可以通过前面所述的阶跃响应曲线实验法获得，或者通过比较不同纯滞后时间的损失函数J的方法来求取，具体作法与模型阶次n的确定方法相同，即设定τ=mT，m=1,2,3,…。给定