最小二乘参数辨识方法及原理(201210版).ppt

3.4.3广义最小二乘法原理及算法广义最小二乘算法的特点有色干扰下估计精度较高迭代收敛较快,但是收敛性未得到证明能同时得到过程参数和噪声参数的估计计算量大,费机时ELS和GLS可同时辨识系统模型和噪声模型在一些实际系统中不需要知道噪声模型，即不需要对噪声建模(辨识)系统量测噪声为有色噪声若采用ELS法和GLS法来辨识,需花费较多的计算时间,而且辨识的参数越多则辨识的精度和效果越差，广义最小二乘法尤其突出.问题：系统噪声Vm是有色噪声，不需要对噪声建模，还想达到无偏估计，如何做？3.4.3广义最小二乘法原理及算法3.4.4辅助变量最小二乘法原理及算法辅助变量（InstrumentVariable,IV)最小二乘算法系统噪声Vm是有色噪声，不需要对噪声建模，引入辅助系统，只要辅助系统选择恰当，可获得高精度的无偏估计。有偏估计3.4.4辅助变量最小二乘法原理及算法（非奇异矩阵）（无偏估计）零均值白噪声3.4.4辅助变量最小二乘法原理及算法当量测噪声Vm是有色噪声不一定成立不一定是无偏估计问题：在有色噪声Vm下，如何获得无偏估计？3.4.4辅助变量最小二乘法原理及算法定义如下辅助观测矩阵，并使下列极限成立（非奇异矩阵）问题：如何构造或选择辅助变量？3.4.4辅助变量最小二乘法原理及算法辅助变量的选择3.4.4辅助变量最小二乘法原理及算法辅助变量的选择。选取3.4.4辅助变量最小二乘法原理及算法辅助变量的选择。（无偏估计）辅助变量的选取还有更简单的方法辅助变量最小二乘法有递推形式，思路类同3.4.4辅助变量最小二乘法原理及算法辅助变量最小二乘（IVLS）法的特点IVLS的计算量比LS估计增加不多，在相关噪声情况下估计精度确有明显改善；IVLS法与递推IVLS法思路相似，但不等价；递推IVLS法的计算量与RLS法接近，在相关噪声情况下估计精度优于RLS法；递推IVLS法对初值P(0)的选择非常敏感，为了提高递推IV法的可靠性，在递推的前几十步最好用RLS法过渡.3.5.1多变量系统的最小二乘辨识的原理MIMO系统3.5.1多变量系统的最小二乘辨识的原理MIMO系统的子系统3.5.1多变量系统的最小二乘辨识的原理3.5.1多变量系统的最小二乘辨识的原理3.3递推最小二乘法原理及算法3.3递推最小二乘法原理及算法数据饱和后，由于递推计算的舍入误差，不仅新的观测值对参数估计不起修正作用，反而使失去正定性，导致估计误差增加。数据饱和3.3递推最小二乘法原理及算法当系统参数随时间变化时，因新数据被旧数据所淹没，递推算法无法直接使用。为适应时变参数的情况，修改算法时旧数据的权重(降低)，增加新数据的作用。主要方法有数据窗法和Kalman滤波法。数据窗法主要有矩形窗和指数窗。3.3递推最小二乘法原理及算法矩形窗3.3递推最小二乘法原理及算法矩形窗3.3递推最小二乘法原理及算法指数窗3.3递推最小二乘法原理及算法加权最小二乘一般最小二乘可适用时变参数系统只适用于时不变系统3.3递推最小二乘法原理及算法指数窗由上述最小二乘参数辨识的统计特性可知，当在量测噪声的均值为0时，才能保其估计值是无偏的。在实际工程和社会系统的辨识中，量测噪声Vm是各种系统内外扰动和结构建模误差等因素的综合反映；Vm不一定为统计独立的白噪声。3.4.1处理有色噪声扰动的最小二乘类方法3.4.1处理有色噪声扰动的最小二乘类方法当量测噪声Vm不是统计独立的白噪声。量测噪声Vm是有色噪声，如何获得无偏估计？增广最小二乘法广义最小二乘法辅助变量法多级最小二乘法偏差补偿最小二乘法不同的有色噪声特性不同的有色噪声模型不同的辨识要求3.4.2增广最小二乘法原理及算法平稳相关序列由关于有色噪声的结论和假设可知，平稳的相关扰动v′(k)可被建模如下3.4.2增广最小二乘法原理及算法3.4.2增广最小二乘法原理及算法当上述观测数据向量h(k)精确已知时，利用前面讨论的批处理最小二乘法可求得向量?的最小二乘估计值。向量h(k)中包含有不可测的噪声量v(k-1)，...，v(k-n)对自回归模型并不能直接用最小二乘方法.用递推参数估计在线估计噪声v(