现代控制理论最小二乘法辨识.pptxVIP

第十四章 最小二乘法辨识差分方程模型辨识问题包括模型阶的确定和参数估计两个方面。本章只讨论单输入－单输出系统在模型结构已知情况下的最小二乘法参数估计问题，例如水箱液面的控制系统。这里对各种估计方法都按离线辨识和在线辨识两种情况进行讨论。离散辨识是把观测数据集中起来同时处理，得到参数估值。而在线辨识是在辨识过程中按递推计算方法不断地给出参数估计。这些估计方法都可推广到多输入－多输出系统的参数估计问题，例如导弹稳定系统控制。 一个单输入－单输出线性定常系统可用图14-1表示。系统的差分方程为(14-1) 式中 为输入信号， 为理论上的输出值。 通过观测得到，在观测过程中往往附加有随机干扰。 第一节 最小二乘法辨识与递推最小二乘法辨识 观测值 用下式表示： (14-2)(14-3)把式 (14-3)代入式(14-1)，得即(14-3)为随机干扰。由上式得 假设 是均值为零的独立分布的平稳随机序列，且与序列 相互独立。设(14-5)则式(14-4)变成(14-6)如果 也有测量误差，则在 中应包含这一测量误差。 现在分别测出个 输出值和输入值： 及 。则可写出N个方程：上述N个方程可写成下列向量－矩阵形式 (14-7) 式中 为N个输出值组成的向量； 所组成的维向量， 所组成的 维向量；所组成的N维噪声， 即 为输入值 所组成的 阵块； 为输入值 所组成的 矩阵块。即(14-8)式(14-7)也可写成(14-9)式中 为 维测量矩阵， 为 维参数向量。因此，式(14-9)是一个含有 个未知参数的N个方程组成的联立方程组。如果 ，则方程组是不定的，不能唯一地确定参数向量。如果 ，则当测量误差 时，就能准确地解出参数向量，即(14-10)如果测量误差不等于零，则(14-11) 从上式可看出，随机测量噪声 对参数 的估计值有影响，为了尽量减小 对 的估值的影响，应该取 ，即方程数目大于未知数数目。在这种情况下，不能用解方程的方法求 ，而要采用数理统计的方法求 的估值。这样可减小 对 的估值的影响。这种给定测量向量 和测量矩阵 求参数 估值的问题，就是系统参数的辨识问题。可用最小二乘法或极大似然法求 的估值。这里先讨论最小二乘法辨识问题。 设 表示 的最优估值， 表示 的最优估值，则有(14-12)式中写出式(14-12)的某一行，得(14-13)设 表示 与 之差，通常称它为残差。(14-14)由式(14-14)得(14-15) 把 分别代入式(14-14)，可得残差 把这些残差写成向量形式：(14-16)最小二乘法估计要求残差的平方和为最小，即按照指标函数(14-17)为最小确定估值 。 可按 来求 的最小二乘法估计值 。即由此式用 左乘等号的两边，得 (14-18)J为极小值的充分条件是(14-19)显然，当矩阵 存在时，式(14-18)才有解。一般说来，如果 是随机序列或伪随机二位式序列，则矩阵 是非奇异的，即 存在，式(14-18)有解。 因为 有解与 正定等价，所以可以保证 正定来确定对输入 序列的要求。由式(14-9)可知(14-20)则 因此，要求 正定，根据正定矩阵的性质，必须保证 正定。这个条件称为 阶持续激励条件。通常，输入 序列采用随机序列或M序列时，它们都满足这个持续激励条件。显然，若为常值序列时， 为奇异阵，不满足持续激励条件。下面讨论另一个重要问题，即估计的一致性和无偏性。 因输出值 是随机的，所以 是随机的，但要注意到 不是随机的。如果则称 是 的无偏估计。 如果式(14-6)中的