第6章梯度校正参数辩识方法.pptVIP

1 第6章 梯度校正参数辩识方法 2 6.1 引言 6.2 确定性问题的梯度校正参数辨识方法 6.3 随机性问题的梯度校正参数辨识方法 6.4 随机逼近法 3 6.1 引言 最小二乘类参数辩识递推算法 新的参数估计值=老的参数估计值+增益矩阵× 新息 梯度校正参数辨识的递归算法的结构如同上式，但其基本思想与最小二乘类算法不同，它是通过沿着如下准则函数的负梯度方向，逐步修正模型参数估计值，直至准则函数达到最小： 其中 代表模型输出与系统输出的偏差。 4 本章主要讨论的问题： 确定性问题的梯度校正参数辨识方法； 随机性问题的梯度校正参数辨识方法； 梯度校正参数辨识方法在动态过程辨识中的应用； 随机逼近法。 5 6.2 确定性问题的梯度校正参数辩识方法 确定性问题的输入和输出都是可以准确的测量，没有噪声。 设过程的输出 参数 的线性组合 如果输出 和输入 是可以准确测量的，则 式过程称作确定性过程 6 确定性过程 置 过程 7 若过程参数的真值记作 则 在离散时间点可写成 其中 8 例如 用差分方程描述的确定性过程 可以化成 9 现在的问题 如何利用输入输出数据 和 确定参数 在 时刻的估计值 使准则函数 式中 10 解决上述问题的方法 可以是梯度校正法，通俗地说最速下降法 沿着 的负梯度方向不断修正 值 直至 达到最小值 11 梯度校正参数辨识方法的参数估计递推形式可以由下式给出 - 维的对称阵，称作加权阵 - 准则函数 关于 的梯度 12 当准则函数 取 式时 13 式可写成 - 确定性问题的梯度校正参数估计递推公式 其中权矩阵的选择至关重要，它的作用是用来控制各输入分量对参数估计值的影响程度。 14 权矩阵 的作用是用来控制各输入分量对参数估计的影响程度的，一般地，我们选择权矩阵的形式为 （14） 15 定理6.1: 确定性问题的梯度校正参数辨识方法的参数估计递推公式为： 并且权矩阵选取如下形式： （15） （16） 16 如果R (k)满足如下条件： （1） （2）N个 中至少存在一个 ，使得 或 （3） （17） （18） 17 （4） 与 不正交 那么不管参数估计值的初始值如何选取，参数估计值 总是大范围一致渐近收敛的，即 注意：条件1确定了权的选择范围，条件2是推导条件3的前提，条件3是保证参数估计全局一致收敛的条件。 （19） 证明思路 根据 和(13)式，可得 取标量函数 可以证明上述标量函数即为估计偏差方程的Lyapunov函数。 18 （20） （21） 利用Lyapunov稳定性定理可以证明当条件（2）和（3）成立时，估计误差系统在平衡点 上是大范围一致稳定的，即 （a） （b） （c） （d） 19 20 权矩阵的选择 一般的选择 或者 （22） （23） 21 最佳权矩阵的选择（Lyapunov最佳权矩阵） （24） 参数估计值将以最快的速度收敛到真值。 22 注意的地方 权矩阵 的作用是控制各输入分量对参数估计的影响程度； 若 与 正交，或k大于一定的值后 与 正交，则得不到全局稳定性，即 时， 不趋于零。 23 6.3 随机性问题的梯度校正参数辩识方法 随机性问题的提法 确定性问题的梯度校正法与其他辩识方法相比 最大的优点：计算简单 缺点：如果过程的输入输出含有噪声，这种方法不能用 随机性问题的梯度校正法 特点：计算简单，可用于在线实时辩识 缺陷：事先必须知道噪声的一阶矩和二阶矩统计特性 随机性问题 过程参数 θ0 h(k) s(k) x(k) w(k) y(k) z(k) 25 设过程的输出 模型参数 的线性组合 输入输出数据含有测量噪声 （25） （26） 26 其中 和 为零均值的不相关随机噪声 （27）