第05讲 系统辨识-处理有色噪声扰动最小二乘类方法.pptxVIP

系统辨识篇目录(1/1);第五讲处理有色噪声扰动的LS类方法(1/3);第五讲处理有色噪声扰动的LS类方法(2/3);第五讲处理有色噪声扰动的LS类方法(3/3);1.ELS法(1/19);1.ELS法(2/19)

由第二讲中的关于有色噪声的结论1和假设2可知,平稳的相关扰动v(k)可被建模如下;1.ELS法(3/19);1.ELS法(4/19);1.ELS法(5/19);1.ELS法(6/19);1.ELS法(7/19);1.ELS法(8/19);1.ELS法(9/19)--ELS法计算步骤;1.ELS法(10/19)--ELS法仿真程序;1.ELS法(11/19)--ELS法仿真程序);1.ELS法(12/19)--ELS法仿真程序;1.ELS法(13/19)--ELS法仿真程序;?;1.ELS法(15/19);1.ELS法(16/19);1.ELS法(17/19);1.ELS法(18/19);1.ELS法(19/19);2.GLS法(1/3);2.GLS法(2/3);2.GLS法(3/3);一、成批型GLS法(1/9);一、成批型GLS法(2/9)

然后基于对A(z-1)和B(z-1)的估计,利用模型 A(z-1)y(k)=B(z-1)u(k)+v(k)

来计算模型残差(相关噪声)v(k)的估计值

再基于噪声模型

D(z-1)v(k)=w(k)

和相关噪声v(k)的估计值,利用LS法辨识D(z-1),并基于此修正选定的滤波器Df(z-1);

如此循环往复地进行Df(z-1)的修正及A(z-1)和B(z-1)的迭代估计,直到模型的估计残差满足给定的精度或者Df(z-1)、A(z-1)和B(z-1)的变化量相对较小为止.;一、成批型GLS法(3/9)—计算步骤;一、成批型GLS法(4/9)—计算步骤;一、成批型GLS法(5/9)—计算步骤

并由此得如下向量式的自回归方程组;一、成批型GLS法(6/9)—计算步骤;一、成批型GLS法(7/9)—计算步骤

Step8.由(1)式,可得如下关于相关扰动v(k)和白噪声w(k)的自回归方程

其中; Step9.选取上一步估计得的D(z-1)的估计值作进行系统白色化处理的线性滤波器Df(z-1).

若模型的估计残差满足给定的精度或者Df(z-1)、A(z-1)和B(z-1)的变化量相对较小则循环结束,

否则返回第4步继续循环.;一、成批型GLS法(9/9);二、递推型GLS法(1/6)

二、递推GLS法

?递推GLS法的基本思想是与成批型LS法大致相同,所不同的是:

由于所考虑的是递推估计,不能像成批型那样作反复迭代.

解决的方法是分别对(5)和(10)所示的两个模型的辨识设计两个递推估计算法,并在每一个递推步中,让它们依顺序递推一次.

随着递推过程的深入,将不断改进噪声模型D(z-1)的辨识结果,同时亦得到较佳的A(z-1)和B(z-1)的辨识结果.;二、递推型GLS法(2/6);二、递推型GLS法(3/6);二、递推型GLS法(4/6);??、递推型GLS法(5/6);三、GLS仿真(1/14);三、GLS仿真(2/14);三、GLS仿真(3/14);三、GLS仿真(4/14);三、GLS仿真(5/14);三、GLS仿真(6/14);三、GLS仿真(7/14);三、GLS仿真(8/14);三、GLS仿真(9/14);三、GLS仿真(10/14);三、GLS仿真(11/14);三、GLS仿真(12/14);三、GLS仿真(13/14);三、GLS仿真(14/14);三、GLS评述(1/1);3.IV法(1/2);3.IV法(2/2);一、成批型算法(1/6);一、成批型算法(2/6)

?由第三讲的提出的一般LS估计式

?有;一、成批型算法(3/6)

由式(3)可知,欲获得无偏一致的参数估计值,若;一、成批型算法(4/6)

但,当w(k)不为白噪声时,条件;一、成批型算法(4/6);一、成批型算法(5/6)

因此,使得对不定(不相容)方程组; 可见,只要选择适当的辅助变量,使之满足上述的两个条件,IV估计值就可以是无偏一致的.;二、辅助变量的选择(1/9);二、辅助变量的选择(2/9);二、辅助变量的选择(3/9)--自适应滤波;二、辅助变量的选择(4/9)--自适应滤波

?下面简单分析一下上述自适应滤波法所选择的辅助变量与噪声变量的相关性。

对 *(k)与噪声w(k)的相关性分析如下;二、辅助变量的选择(5/9)--纯滞后;二、辅助变量的选择(6/9)--纯滞后;二、辅助变量的选择(7/9)--Tally原理;二、辅助变量的选择(8/9)--Tally原理;二、辅助变量的选择(9/9);三、递推型算法(1