系统辨识基础实验指导书.docx

实验一离散模型的参数辨识 一、 实验目的 掌握随机序列的产生方法。 掌握最小二乘估计算法的基本原理。 掌握最小二乘递推算法。 二、 实验内容 基于Box--Jinkins模型模拟一个动态过程，动态过程取为各种不同的情况，输入信号采用 M序列， 实验者可尝试不同周期的 M序列。信噪比、观测数据长度也由实验者取为各种不同情况。 模拟生成输入输出数据。 根据仿真过程的噪声特性，选择一种模型参数估计算法，如 RLS、RIV、RELS、RGLS、COR-LS、 STAA、RML或MLS等，估计出模型的参数。 三、 实验器材 计算机 1台 四、 实验原理 最小二乘法是一种经典的有效的数据处理方法。它是 1795年高斯(K.F.Guass)在预测行星和彗星运 动的轨道时提出并实际使用的。 最小二乘法也是一种根据实验数据进行参数估计的主要方法。这种方法容易被理解，而且由于存在唯 一解，所以也比较容易实现。它在统计学文献中还被称为线性回归法，在某些辨识文献中还被称为方程误 差法。正如各个学科都用到系统辨识技术建立模型一样，最小二乘法也用于很多场合进行参数估计，虽然 不一定是直接运用，但很多算法是以最小二乘为基础的。 在系统辨识和参数估计领域中，最小二乘法是一种最基本的估计方法。它可用于动态系统，也可用于 静态系统；可用于线性系统，也可用于非线性系统；可用于离线估计，也可用于在线估计。在随机的环境 下利用最小二乘法时，并不要求知道观测数据的概率统计信息，而用这种方法所获得的估计结果，却有相 当好的统计性质。 在系统辨识和参数估计领域中，应用最广泛的估计方法是最小二乘法和极大似然法，而其他的大多数 算法都与最小二乘法有关。最小二乘法采用的模型为 A(z-*)y(k)=B(z-*)u(k) +e(k) 最小二乘估计是在残差二乘方准则函数极小意义下的最优估计，即按照准则函数 J =?e =(Y -门询丁(丫 -心3二min来确定估计值 彳。求J对彳的偏导数并令其等于 0,可得 (Y _G：?)T(y _：.：」?) 一二」丫 _：.：谒 _：.：J(y 珂=0 即①T①e?=①丁丫。当①g为非奇异，即①列满秩时，有 趾=(①T①)①丁丫，此即参数的最小二乘估计值。 gt gt「的阶数常常取 (1)数据量越多，系统参数估计的精度就越高。为了获得满意的辨识结果，矩阵 得相当大。这样，矩阵求逆的计算量很大，存储量也很大。 (2 )每增加一次观测量，都必须重新计算 。 (3)如果出现：?：」列相关，即不满秩的情况， GTG为病态矩阵，则不能得到最小二乘估计值。 解决这个问题的办法是把它化成递推算法。依观测次序的递推算法就是每获得一次新的观测数据就修 正一次参数估计值，随着时间的推移，便能获得满意的辨识结果。递推辨识算法具有无矩阵求逆，以及跟 踪时变系统等特点，这样不仅可以减少计算量和储存量，而且能实现在线辨识。 最小二乘估计递推算法（RLS）如下 ■?N 1 =纟■ Gn 1[yN 1 仝 N 1 纟] G PN N 1 GN 1 =1，N 1PN ：N 1 Pn 1 = Pn - Gn 1 n 1Pn 递推过程如下: 得到■?N , Pn , Un 1, yN 1 得到 计算 -n 1 —■ ?N 1 —■ Pn 1 —■下一步递推 五、 实验步骤 ?熟悉各种辨识方法的基本原理。 ?设计实验方案，编制实验程序，上机调试，记录结果。 3?分析实验结果，完成书面实验报告，提供程序框图及其说明，并总结各种辨识算法的优缺点。 六、 实验思考题 认真阅读教材中的相关内容，总结最小二乘估计算法和最小二乘递推算法的基本原理。 八、实验报告要求 分析最小二乘估计算法和最小二乘递推算法的基本原理。 记录产生的输入输出数据，根据最小二乘估计算法和最小二乘递推算法估计系统模型参数。 完成相应的思考题 实验二 离散模型的阶次辨识 一、 实验目的 掌握极大似然估计算法。 二、 实验原理 极大似然法需要构造一个以数据和未知参数为自变量的似然函数，并通过极大化这个似然函数，获得 模型的参数估计值。 已知参数二的条件下，观测量的概率密度为 P(YT)，在N次测量｛y1,y2^|,yN｝后(独立测量)，考虑 似然函数 N L(y1,y2,UI, yN ⑺ =P(y1」H ,yN ⑺：丨丨 P(yi ⑺ ]=1 如果不要求二的分布密度，只要问二的值为多少(最可能的值)，那么，就只要求二使 L(y1,y2,Hi,yN |巧=max。对于确定了的观测值 丫而言，似然函数仅仅是参数 的函数。由极大似然原理 可知，益满足以下方程 胡鸥L 考虑到似然函数一般为指数函数，而指数函数和对数函数都是单调的，为方便求解，上式等价于如下 方程 已n L 门 -TT =0 三、实验内容及步骤 1．熟悉各种辨识