系统全参数辨识matlab实现.docxVIP

系统全参数辨别matlab实现 系统全参数辨别matlab实现 PAGE / NUMPAGES 系统全参数辨别matlab实现 适用标准文案 设某物理量 Y 与 X 知足关系式 Y=aX 2+bX+c ，实验获取一批数 据以下表，试辨别模型参数 a，b 和 c 。（50 分） X 5 10 Y 报告要求：要有问题描绘、参数预计原理、程序流程图、程序清 单，最后给出结果及剖析。 问题描绘： 由题意知，这是一个已知模型为 Y=aX 2 +bX+c ，给出了 10 组实验输入输出 数据，要求对模型参数 a，b ，c 进行辨别。这里对该模型参数辨别采纳递推最 小二乘法。 参数预计原理 对该模型参数辨别采纳递推最小二乘法，即 RLS（ recurisive least square ）， 它是一种能够对模型参数进行在线及时预计的辨别方法。 其基本思想能够归纳为：新的预计值 ?(k) = 旧的预计值 ?(k 1) + 修正项 下边将批办理最小二乘法改写为递推形式即递推最小二乘参数预计的计算 方法。 批办理最小二乘预计 ?为 ? ( T ) 1 TY ，设 k 时辰的批办理最小二乘预计为： ? ( T k ) 1 T Yk 令 P(k) ( T 1 [ P 1 (k 1) (k) T (k 1)] 1 k k k k ) 时辰的最小二乘预计能够表示为 ?(k) P(k) kT Yk = P( k)[ Tk 1Yk 1 ( k) y(k)] = ?(k 1) K (k)[ y(k) T (k) ?(k 1)] ；式中 K ( k) P(k) ( k) ，因为要 推导出 P(k) 和 K(k) 的递推方程，所以这里介绍一下 矩阵求逆引理 ：设 A 、（ A+BC ）和 出色文档 适用标准文案 开始 （ I+ CA 1 B ） 均 为 非 奇 异 方 阵 ， 则 初始化 ( A BC ) 1 A 1 A 1B( I CA 1 B) 1 CA 1 经过运用矩阵求逆 输入输出数据 采样、办理 引理，把复杂的矩阵求逆转变为标量求倒数， 大大减小了计算量。 由式递推公式计算 PN 1 与 PN 间的递推关系。 最后获取 递推最小二乘参数 递推估 K(k) 、 P(k) 、?(k ) 计公式以下： k k+1 ?(k) ?(k 1) K (k )[ y(k ) T (k) ?(k 1)] P(k) [ I K (k) T (k)] P(k 1) K (k ) P(k 1) (k ) 1 T (k)P(k 1) (k) （3) 程序流程图 (如右图 1 所示） 递推最小二乘法（ RLS）步骤以下： 已知： na 、 nb 和 d 。 Step 1 ：设置初值 ?(0) 和 P(0)，输入初始数据； Step2 ：采样目前输出 y(k) 、和输入 u(k) Step3 ：利用上边式 计算 K ( k) 、 ?(k ) 和 P(k) ； Step4 ：k k+1 ，返回 step2 ，持续循环。 图 1 程序流程 图 Matlab 仿真程序、输出参数预计值、参数预计变化轨迹图像、结果剖析 出色文档 适用标准文案 仿真程序以下： X=[1.01 2.03 3.02 4.01 5 6.02 7.03 8.04 9.03 10]; 0.7 1.8 3.8 9.0]; %实验输入数据、实验输出数据 syms a b c % 定义待辨别参数 theta=[a;b;c]; %theta 包含待辨别参数 a，b ，c theta1=zeros(3,1); % 对象参数初始化 P=10^6*eye(3) %结构初始 P 阵 for k=1:10 %仿真步长范围 1 到 10 phi=[X(k)*X(k);X(k);1]; %y=aX*X+bX+c=phi*theta %theta=[a ；b ；c] ；phi=[X(k)*X(k);X(k);1] K=P*phi/(1+phi*P*phi); % 递推最小二乘法 K 阵的递推公 式 theta=theta1+K*(Y(k)-phi*theta1); %theta 的递推公式 P=(eye(3)-K*phi)*P; %递推最小二乘法 P 阵的递推公式 theta1=theta; %theta 的最后预计向 量 theta2(:,k)=theta; %theta 预计向量矩阵化，目的是为了 %下边的 plot 仿真图像输出 end theta1 % 输出参数预计 出色文档 适用标准文案 值 plot([1:10],theta2) % 输出参数逐渐递推预计的轨迹图像 xlabel(k); %设置横坐标为步长 k ylabel( 参