原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第12章其他辨识方法
12.1梯度校正参数辩识方法
01最小二乘类参数辩识递推算法02新的参数估计值=老的参数估计值+增益矩阵新息03梯度校正参数辩识方法（简称梯度校正法）04递推算法同样具有的结构05基本原理不同于最小二乘类方法06基本做法–沿着准则函数的负梯度方向，逐步修正模型参数估计值，直至准则函数达到最小值。引言
2020确定性问题的梯度校正参数辩识方法012021随机性问题的梯度校正参数辩识方法022022随机逼近法03主要内容
设过程的输出01参数的线性组合02如果输出和输入是可以准确测量的，则式过程称作确定性过程03确定性问题的梯度校正参数辩识方法
确定性过程置过程
若过程参数的真值记作1在离散时间点可写成3则2其中4
010203例如用差分方程描述的确定性过程可以化成
现在的问题确定参数在时刻的估计值使准则函数式中如何利用输入输出数据和0102030405
解决上述问题的方以是梯度校正法，通俗地说最速下降法沿着的负梯度方向不断修正值直至达到最小值
213数学表达式维的对称阵，称作加权阵准则函数关于的梯度
当准则函数取式时
式可写成确定性问题的梯度校正参数估计递推公式其中权矩阵的选择至关重要
随机性问题的提法确定性问题的梯度校正法与其他辩识方法相比最大的优点：计算简单缺点：如果过程的输入输出含有噪声，这种方法不能用随机性问题的梯度校正法特点：计算简单，可用于在线实时辩识缺陷：事先必须知道噪声的一阶矩和二阶矩统计特性随机性问题的梯度校正参数辩识方法
随机性问题
设过程的输出模型参数的线性组合输入输出数据含有测量噪声
其中和为零均值的不相关随机噪声
置则
利用输入输出数据和确定参数在时刻的估计值使准则函数其中现在的问题0201030405
随机逼近法01梯度校正法的一种类型02颇受重视的参数估计方法03随机逼近法
考虑如下模型的辩识问题均值为零的噪声模型的参数辩识通过极小化的方差来实现即求参数的估计值使下列准则函数达到极小值随机逼近原理
准则函数的一阶负梯度令其梯度为零
原则上由式可以求得使的参数估计值但，因为的统计性质不知道因此式实际上还是无法解的
如果则有式左边的数学期望用平均值来近似这种近似使问题退化成最小二乘问01研究式的随机逼近法解02设是标量，是对应的随机变量03是条件下的概率密度函数04则随机变量关于的条件数学期望为05记作06它是的函数，称作回归函数
1对于给定的2设下列方程，具有唯一的解3当函数的形式及条件概率密度函数都不知道时4求下列方程的解释是困难的5可以利用随机逼近法求解
随机逼近法01利用变量及其对应的随机变量02通过迭代计算03逐步逼近方程式的解04
01常用的迭代算法02Robbins–Monro算法03Kiefer–Wolfowitz算法
12.2极大似然法和预报误差方法
01.极大似然法02.一种非常有用的传统估计方法03.由Fisher发展起来的04.基本思想可追溯到高斯（1809年）05.用于动态过程辩识可以获得良好的估计性质引言
最小二乘法和梯度校正法01计算简单02参数估计具有优良的统计性质03噪声的先验知识要求也不高04极大似然法05基本思想与最小二乘法和梯度校正法完全不同06
极大似然法01.需要构造一个以数据和未知参数为自变量的似然函数02.通过极大化似然函数获得模型的参数估计值03.
在序贯观测的条件下，需要确定基于时刻以前的数据在时刻输出量的条件概率分布通常要求具有能够写出输出量的条件概率密度函数的先验知识意味着模型输出的概率分布将最大可能地逼近实际过程输出的概率分布独立观测的条件下，必须知道输出量的概率分布
预报误差方法01需要事先确定一个预报误差准则函数02利用预报误差
文档评论（0）