系统建模灰箱方法.pptVIP

/%第二步辨识仿真fork=1:最大仿真步数{/%被控对象模型仿真(产生系统输入输出信号,即数据)yf[2:na+1]=yf[1:na];uf[2:nb+1]=uf[1:nb];wf[2:nc+1]=uf[1:nc];uf[1]=2*?u*(rand()-0.5);wf[1]=2*?w*(rand()-0.5);yf[1]=-Az[2:na+1]*yf[2:na+1]+Bz[2:nb+1]*uf[2:nb+1]+Cz[1:nc+1]*wf[1:nc+1];3.4.4辅助变量最小二乘法原理及算法第126页，共182页，星期日，2025年，2月5日%输入输出数据检测ub[1]=uf[1];yb[1]=yf[1];%在线递推辨识过程仿真?_star=[-xi(2:na+1)ub(2:nb+1)];?=[-yb(2:na+1)ub(2:nb+1)];K=P*h_star/(?+h?*P*h_star);?=?+K*[yb(1)-h?*?];P=[I-K*h?]*P/?;输出在线递推参数估计值?；3.4.4辅助变量最小二乘法原理及算法第127页，共182页，星期日，2025年，2月5日%辅助变量计算ifIV_method==1%自适应滤波xi(1)=h_star?*?;elseifIV_method==2%纯滞后xi(1)=ub(d+1);else%Tally原理xi(1)=yb(d+1);endyb[2:d+1]=yb[1:d];ub[2:d+1]=ub[1:d];xi[2:d+1]=xi[1:d];}3.4.4辅助变量最小二乘法原理及算法第128页，共182页，星期日，2025年，2月5日3.4.4辅助变量最小二乘法原理及算法例3.9考虑数学模型的结构为选择如下的辨识模型进行增广递推最小二乘参数辨识。第129页，共182页，星期日，2025年，2月5日3.4.3广义最小二乘法原理及算法Step5.列成如下自回归方程:Step4.基于滤波器N(z-1),进行如下滤波计算y(k)=N(z-1)y(k)u(k)=N(z-1)u(k)第94页，共182页，星期日，2025年，2月5日3.4.3广义最小二乘法原理及算法Step7.计算模型残差的估计值Step6.用最小二乘法计算Step8.计算有色噪声v′(k)和白噪声v(k)的自回归方程第95页，共182页，星期日，2025年，2月5日3.4.3广义最小二乘法原理及算法Step10.修正滤波器N(z-1)Step9.用最小二乘法计算Step11.如满足精度，辨识结束，否则转入Step3.第96页，共182页，星期日，2025年，2月5日GLS法的思想是对输入输出数据先进行一次滤波预处理，然后利用普通LS法对滤波后的数据进行辨识，并反复迭代受滤波模型好坏的影响较大滤波模型的好坏也直接与系统模型辨识结果有关系.从优化理论的角度来说，GLS法其实属于非线性优化方法难以避免出现非线性优化中的局部极值点情况该方法并不能保证得到的估计值是一致无偏的这是GLS法的一个不太令人满意之处.3.4.3广义最小二乘法原理及算法思考题：量测噪声Vm是有色噪声，利用递推广义最小二乘法辨识参数的步骤分哪几步？能否画出流程图？第97页，共182页，星期日，2025年，2月5日3.4.3广义最小二乘法原理及算法递推广义最小二乘法递推GLS法的基本思想是与成批型LS法大致相同，不同的是:由于是递推估计，不能像成批型那样作反复迭代；解决的方法是分别对过程模型和噪声模型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N(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。第98页，共182页，星期日，2025年，2月5日3.4.3广义最小二乘法原理及算法递推广义最小二乘算法的计算步骤如下:Step1.确定模型的结构及A(z-1)、B(z-1)和N(z-1)的阶次；Step2.初始化两个辨识过程，并选定稳定的初始滤波器N(z-1)；Step