ARX-自行车机器人系统辨识及MATLAB仿真.pdfVIP

北京邮电大学硕上研究生学位论文 第五章基于ARX模型的自行车机器人系统辨识 5．1 ARX模型结构 在此次机器人系统辨识课题中，我们选用川隧模型来实现系统辨识。这就 意味着我们将假定系统的真实模型具有ARX模型的结构。ARX模型结构如下： A(z。)y@)=B(z。渺(尼)+e@) (5—1) 式中U∈R““和Y∈R“Y是系统的输入输出量；e∈R”y是白噪声；z-1为后 ／／y*ny维的单位矩 移算子；彳(z-1)=，+著4z～；Bz-b=，+荟旦z～’其中I 阵，A为，z，幸万，维矩阵，B为咒，木，l。维矩阵。，l，、仡分别为系统输入输出的维数。 ，l。、％称为模型的阶次。 2ARX模型辨识方法 5,2．1数据预处理 系统建模时，要求输入输出数据必须是平稳的、正态的、零均值的，即数据 的统计特性与统计时间起点无关，且均值为0。但在很多实际问题中，由于测量 直接得到的数据是随机时间序列，包含有线型的或缓慢变化的趋势。该序列的均 值不为零，而且随时问变化，因此必须进行平稳化预处理，主要包括消除数据的 趋势项，把测量的数据变成均值为零的平稳过程；同时为了建立系统模型，需要 对检测的输入／输出数据进行滤波，去除数据中与系统本身无关的分量，如来自 各方面的干扰等，以排除它们对系统建模的影响；必要时需要改变原始记录信号 数据的采样周期，即对信号进行重新采样。这些都是系统辨识中必需的数据预处 理。 在MATI_AB系统辨识工具箱中，可以通过多个函数的组合完成数据的预处 41 第五章基于ARX模型的自行车机器人系统辨识 滤波器对数据进行滤波，利用idresamp函数对输入输出数据进行重新采样来插 值或删减数据等等。 5．2．2模型阶次的确定 information 通过寻找一个具有较小AIC(Akaike critefi—on)值的估计模型来 决定模型的阶次。AIC值由下式定义： AIC=log(V)+2d／N (5·2) 式中，V为损失函数，d为估计参数的个数，N为估计数据的个数。 5．2．3模型参数的确定 模型参数辨识假设条件： 1．n。和％已经设定，一般有％魂，数据长度L咒。+％。 2．噪声e(k)服从正态分布，且噪声和输入是不相关的， 即E{e(k)u(k一1))=0，Vk，l 3．噪声e(k)完全可以用一阶和二阶统计矩阵描述，且e(k)是不相关的，而 且是同分布的随机变量，即均值矩阵和协方差矩阵分别为： E{q】．=【E忙(1)】．，E忙(2)】|，…，E{e(L)】．r=0(5—3) cov{eL)=E慨气1)； … E{e2(1))E忙(1)P(2)】．E{e(1弦(L)】． E忙2(2)) 【Ep(1)P(2)) …E忙(2弘犯)1 E忙但弘(1)}E{e0妒(2))…E{e2犯)) 全∑。=吒2， (5·4) 式中吒2为噪声e(k)的方差：I为单位矩阵。 这里假设当刀，=n。=1时对系统进行模型参数辨识。 方程(1)变成 A(z。)y@)=B(z。如@)+P@) (5—5) 其中 42 北京邮电大学硕士研究生学位论文 彳(z一1)一1+口lz一1+口2z一2+．．4～z一‰ B(z。1)=l+blz。1+b2z。2-I