系统辨识作业_梯度法最小二乘法.docxVIP

系统辨识 一、最小二乘算法 仿真对象为：z(k) 1.5z(k 1) 0.7(k 2) u(k 1) 0.5(k 2) v(k) , v(k)为服从 N(0,1)分布的白噪声，输入信号采用 4阶M序列。 辨识模型为：z(k) a1z(k 1) a2z(k 2) dz(k 1) b2z(k 2) v(k)，观测数据长 度取L 400，加权矩阵取 I 。 则matlab程序如下： % M array con struct ion Np=15;r=4; X仁 1;X2=1;X3=1;X4=1; m」en gth = r*Np; a=1; for i=1:1:m」en gth Y4=X4;Y3=X3;Y2=X2;Y1=X1; X4=Y3;X3=Y2;X2=Y1; X1=xor(Y3,Y4); if Y4==0 M(i)=-a; else M(i)=a; end end figure; i=1:1:m_le ngth; plot(i,M); %白噪声 no ise = zeros(1,m_le ngth); for i=1:1:m _len gth temp = no ise + 0.5*ra nds(1,m_le ngth); no ise = temp; end no ise = no ise/12; %no ise = temp; % parameter of system n=2;d=1;a 1=-1;a2=0.5;b1=1;b2=0.5; S_U0=0.2;S_Y0=0.2; % gen erate u,y u0=o nes(1,m」e ngth)*S_U0; U = M + u0 + noise; figure; i=1:1:m_le ngth; plot(i,U); %formulatio n y(1)=0;y (2)=0;y (3)=0; Y(1)=S_Y0+y(1)+noise(1);Y(2)=S_Y0+y(2)+noise (2) ;Y(3)=S_Y0+y(3) +no ise (3); for k=4:m」en gth y(k) = b1*U(k-1-d)+b2*U(k-2-d)-a1*y(k-1)-a2*y(k-2); Y(k)=S_Y0+y(k)+noise(k); end figure; i=1:1:m_le ngth; plot(i,Y); %辨识 % premitive value c=2; P = (cA3)*eye(3* n+d); sita(:,3) = [0,0,0,0,0,0,0]; alf = 0.995; %compute U0,Y0 sum_U = 0;sum_Y = 0; for k=1:1:m_le ngth sum_U = sum_U + U(k); sum_Y = sum_Y + Y(k); end t_U0 = sum_U/m」en gth;t_Y0 = sum_Y/ m」en gth; for k=1:1:m_le ngth t_u(k) = U(k) - t_U0; t_y(k) = Y(k) - t_Y0; end figure; i=1:1:m_le ngth; plot(i,t_u); figure; i=1:1:m_le ngth; plot(i,t_y); v(1)=0;v(2)=0;v(3)=0; for k=4:1:m_le ngth fai = [-t_y(k-1),-t_y(k-2),t_u(k-1-d),t_u(k-2-d),v(k-1),v(k-2),v(k-3)];v(k) = t_y(k) - fai*sita(:,k-1); W = P*fai; dan = 1/(alf + fai*W); sita(:,k) = sita(:,k-1) + dan *W*v(k); P = ( P - da n * W*W)/alf; end 仿真结果如下图所示: 2 1 5 1 OS bibi■ 1.5_i bi bi ■ 1.5 5G 10J K0 200 250 3U0 (01 k 则各个参数的估计值为: 印 1.4961 a2 0.7003 b0 1 .°062 _ 0.5048 bi 、梯度校正辨识方法 仿真对象为 z(k) 1.5z(k 1) 0.7(k 2) u(k 1) 0.5(k 2) v(k)，其中 v(k)为 服从N(0,1)分布的白噪声，取初值 (0) 0， 1，c 0.1。 所选的辨识模型为 z(k)a1 z(k 1) a2z(k 2) b.z(k 1) b2z(k 2) v(k)，观 所选的辨识模型为 z(k) 测数据长度取L 400。 则matlab程序如下： %确定性系统的递推梯度校正参数估计( RGC) clear all;