最小二乘类辨识算法.ppt

定义辨识误差值：其中：Ｎ为独立的实验次数,为模型真值为模型估计值第126页,共143页，星期六，2024年，5月选择自相关特性好的M序列作为输入。利用MATLAB产生寄存器位数n=5，每周期长为31，重复周期数q=40的M序列，并将其作为输入得到系统输出。绘出一个周期的输入输出图形分别如图2和图3所示。第127页,共143页，星期六，2024年，5月产生系统噪声为了后面能较好的区分每种辨识方法的性能，我们分别在输出中叠加白噪声和有色噪声。取NSR=20%，用同一噪声源产生两种噪声模型，分别绘制白噪声、用相同噪声模型产生的有色噪声和不同噪声影响下的系统输出的曲线。第128页,共143页，星期六，2024年，5月第129页,共143页，星期六，2024年，5月最小二乘辨识模型辨识为较好的研究最小二乘辨识模型的性能，分别在不同的噪声模型下，用不同的噪信比影响系统输出，利用输入输出数据对系统进行辨识。ν分别采用白噪声模型和有色噪声模型，取NSR=0%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%，每种工况下取独立试验次数N=50（每次独立产生噪声），数据序列取前1024点，用最小二乘法辨识模型，分别画出NSR~δ曲线。图中的纵坐标（辨识误差）是50次辨识误差的均值。第130页,共143页，星期六，2024年，5月第131页,共143页，星期六，2024年，5月第132页,共143页，星期六，2024年，5月由图可见：在白噪声影响下，各系数的辨识误差都很小，欲辨识参数为a1=-1.5，a2=0.7，b1=2，b2=0.5，即使在噪信比为50%的情况下，四个参数的辨识误差都在10-3数量级，相对误差非常小，均可视为无偏估计，与理论相符。在有色噪声影响下，各系数的辨识误差相对白噪声影响偏大，当噪信比达到50%时，其中，a1、a2和b1的辨识误差都在0.02~0.04之间，相对误差在10%左右，b2的辨识误差甚至达到0.16以上，相对误差达到30%以上。综上所述：在只有白噪声影响下，最小二乘辨识法可以达到无偏估计，但是在有色噪声影响下辨识结果的相对误差较大。最小二乘法只适合用于只有白噪声影响下的系统辨识，对于有色噪声影响下的系统，我们应该寻求更好的辨识方法。第133页,共143页，星期六，2024年，5月递推最小二乘辨识模型辨识ν分别采用白噪声模型和有色噪声模型，取NSR=10%、40%，用递推最小二乘法辨识模型参数，对比画出各参数辨识结果随递推次数变化的曲线。为了对比研究，我们在同一组u、x序列下，用同一白噪声源γ产生给定噪信比的白噪声和有色噪声干扰。辨识参数为a1=-1.5，a2=0.7，b1=2，b2=0.5，设定在两种辨识情况下，前后两次辨识误差小于0.000000005时，结束仿真，当设定NSR=0.1时，本次仿真循环35次时结束仿真，仿真结果见图所示。第134页,共143页，星期六，2024年，5月第135页,共143页，星期六，2024年，5月第136页,共143页，星期六，2024年，5月第137页,共143页，星期六，2024年，5月第138页,共143页，星期六，2024年，5月修改参数NSR=0.4，其他条件不变，欲辨识参数为a1=-1.5，a2=0.7，b1=2，b2=0.5，再次运行仿真，循环35次以后结束仿真，仿真结果见图所示。第139页,共143页，星期六，2024年，5月第140页,共143页，星期六，2024年，5月令k=L（即假设观测方程个数为k）,可得：其中：以下省去k?(na+nb)L被称作记忆长度或数据长度（4.8.4）（4.8.5）（4.8.6）第94页,共143页，星期六，2024年，5月第95页,共143页，星期六，2024年，5月进一步：重温可知(na+nb)?(na+nb)此k指观测数据长度（4.8.8）（4.8.9）（4.8.7）第96页,共143页，星期六，2024年，5月这样：因为（4.8.10）（4.8.11）第97页,共143页，星期六，2024年，5月引进增益矩阵可得加权最小二乘的另一表述式：上式中除K(k)以外均为迭代计算形式。能否对K(k)，本质上是P(k),也实现迭代计算呢？P(k)已经被定义为逆矩阵：欲实现其迭代计算，需用到矩阵反演公式。（4.8.12）（4.8.13）（4.8.14）第98页,共143页，星期六，2024年，5月设A