第6章梯度校正参数辩识方法1讲义资料.pptVIP

7.5 差分方程的参数辨识 下面直接辨识差分方程模型： 所有关于噪声的假设同上一节，并且噪声模型的参数已知，同上一节的推导过程一样，由： 因此，有： 最后，我们得到： 注意：当 时，上式 不能化为待辨识参数的线性形式，因此不能确定参变量 和方阵M。此时，如果在上式中，利用 代替P，则直接用以下算法： 估计模型参数 。 第二类问题 测量噪声w(k)中有一部分分量与h(k)是相关的。 * 系统参数 + + + + + - 模型参数 辨识算法 动态环节 * 此问题满足以下条件 （1） ；其中 是测量噪声 ， 是扰动噪声，扰动噪声通过动态环节与 相关。已知 ，其方差不必先知。 （2） ， 为正定常数矩阵，不必已知； （3）输入向量的测量噪声 是零均值，协方差为 的不相关离散随机向量，且与 和 是统计独立的。即 * 第三类随机性辨识问题 此问题不仅 与 相关，而且 也和 相关。 第三类随机性辨识问题 * 系统参数 + + + + + - 模型参数 辨识算法 动态环节 * 随机性问题的梯度校正参数辨识方法基本思想与确定性问题一样，也是利用最速下降法原理，从给定的初始值 出发，沿着准则函数 的负梯度方向修正参数估计值 ，直至准则函数 达到最小值 。基本公式： （A） 注意，此式给出的参数估计是渐近有偏估计，注意步长选择的原则是使第一、二类随机性辨识问题的条件（条件方差）： 满足。 * 定理6.2：对于第二类随机性辨识问题，利用（A）式所获得的参数估计值是渐近有偏的估计值，即： 其中： 是过程的真实参数，且 * 推论6.1：对于第一类随机性辨识问题，当输入向量不含测量噪声时，利用（A）式所获得的参数估计值是渐近无偏的估计值，即 * 1.第一类随机性辨识问题的梯度校正渐近无偏估计算法 由第一类问题的条件， 有，因此 而 因此，修正（A）式，在（A）式的右边增加一项 * 此时有： 即 是 的渐近无偏估计。由此可以得到第一类随机性辨识问题的梯度校正渐近无偏估计算法如下： （P） 注意： 是已知的，l步长的选择必须满足条件（2）。 * 2. 第二类随机性辨识问题的梯度校正渐近无偏估计算法 由第二类问题的条件，有 ，为了获得参数的渐近无偏估计，必须在（A）式中增加两项，即需要增加 ： 和 两项。于是可得第二类随机性辨识问题的梯度校正渐近无偏估计算法如下： 注意：此时要求 和 已知。 （B） * 如果 与 之间具有以下的线性关系： 其中： 是N维向量，M是n阶方阵。 此时可用 来估计 ，即取 ，由此，（B）式可以写成： 此时有： 因此（C）式可以作为第二类随机性辨识问题的梯度校正渐近无偏估计算法，此时的 和M为参变量，由实际问题可以唯一确定。 （C） * 3. 步长间隔的选择 选择的基本原则：使输入向量 与参数估计值 不相关。 由估计式（P）和（C），我们有： 其中 代表函数关系 当 时： 当 时 * 以此类推，得到： 由此可知， 时刻的参数估计值 与时刻 以前的信息，即输入向量 、输入测量噪声 及输出测量噪声 是相关的。 * 由此，选择步长间隔l使输入向量