系统辨识作业：随机牛顿法复习进程.pdfVIP

随机牛顿法： 算法基本原理 ： 1.随机逼近法本质上类似最速下降法，缺点是当搜索逼近极小值点时，易发生振 荡，搜索速度慢； 2.为加快搜索速度，采用随机牛顿法如下： 3. 设R(k) 为Hessian 矩阵的 k时刻的估计值， R(k) 的随机逼近算法可根据 Robbins-Monro 算法求出，随机牛顿算法归结为： ρ（k ）为收敛因子，ρ（ k ）=1/k 。 程序设计思路： 待辨识对象参数 a=[1 -1.5 0.7]; b=[1 0.5]; 输入采用长度 L=400 的白噪声序列，输出 ，输入和输出数据均含不相关随机噪声， ρ（k）=1/k 。利 用上述递推公式，辨识系统参数。 辨识结果： 估计参数值 ans = -1.4782 0.6778 0.9795 0.5026 经过 400 步的计算，系统辨识参数与真值基本相同。 程序： %递推随机牛顿参数估计（ RSNA ） clear; clc; a=[1 -1.5 0.7]; % 对象参数 b=[1 0.5]; d=3; na=length(a)-1; %na 、nb 为 A 、B 阶次 nb=length(b)-1; L=400; % 仿真长度 uk=zeros(d+nb,1); % 输入初值： uk(i) 表示 u(k-i) yk=zeros(na,1); % 输出初值 xik=zeros(na,1); % 白噪声初值 etak=zeros(d+nb,1); % 白噪声初值 u=randn(L,1); % 输入采用白噪声序列 xi=sqrt(0.1)*randn(L,1); % 白噪声序列 eta=sqrt(0.25)*randn(L,1); % 白噪声序列 theta=[a(2:na+1);b]; % 对象参数真值 thetae_1=zeros(na+nb+1,1); % 参数估计初值 Rk_1=eye(na+nb+1); % 随机牛顿算法 for k=1:L phi=[-yk;uk(d:d+nb)]; e(k)=a*[xi(k);xik]-b*etak(d:d+nb); y(k)=phi*theta+e(k); % 采集输出数据 R=Rk_1+(phi*phi-Rk_1)/k; dR=det(R); if abs(dR)10^(-6) %避免矩阵 R 非奇异 R=eye(na+nb+1); end IR=inv(R); thetae(:,k)=thetae_1+IR*phi*(y(k)-phi*thetae_1)/k; %更新数据 thetae_1=thetae(:,k); Rk_1=R; for i=d+nb:-1:2 uk(i)=uk(i-1); etak(i)=etak(i-1); end uk(1)=u(k); etak(1)=eta(k); for i=na:-1:2 yk(i)=yk(i-1); xik(i)=xik(i-1); end yk(1)=y(k); xik(1)=xi(k); end disp( 估计参数值 ) thetae(:,400) plot([1:L],thetae); xlabel(k); ylabel( 参数估计 a、b); legend(a_1,a_2,b_0,b_1); axis([0 L -2 2]);