第05講 系統(tǒng)辨識-處理有色噪聲擾動最小二乘類方法_第1頁
第05講 系統(tǒng)辨識-處理有色噪聲擾動最小二乘類方法_第2頁
第05講 系統(tǒng)辨識-處理有色噪聲擾動最小二乘類方法_第3頁
第05講 系統(tǒng)辨識-處理有色噪聲擾動最小二乘類方法_第4頁
第05講 系統(tǒng)辨識-處理有色噪聲擾動最小二乘類方法_第5頁
已閱讀5頁,還剩84頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

系統(tǒng)辨識篇目錄(1/1)系統(tǒng)辨識篇?第01講系統(tǒng)辨識概論?第02講理論知識準備?第03講最小二乘法?第04講遞推最小二乘法?第05講處理有色噪聲擾動的最小二乘類方法?第06講隨機逼近法?第07講多輸入多輸出系統(tǒng)辨識?第08講辨識算法比較?第09講系統(tǒng)辨識研究的發(fā)展與問題第五講處理有色噪聲擾動的LS類方法(1/3)第五講

處理有色噪聲擾動的最小二乘類方法?由上一講中所討論的LS估計的統(tǒng)計特性可知,在動態(tài)系統(tǒng)的參數(shù)估計中,LS法僅當隨機擾動為零均值的白噪聲時,才能保證得到無偏一致的估計值.在實際工程和社會系統(tǒng)的辨識中,隨機擾動w(k)只是各種系統(tǒng)內外擾動和結構建模誤差等因素的綜合反映.因此,并不能保證隨機擾動為統(tǒng)計獨立的白噪聲.故,實際系統(tǒng)辨識時,并不能保證LS估計值為無偏一致估計值.第五講處理有色噪聲擾動的LS類方法(2/3)?從本講開始,我們將討論具有隨機擾動為相關性擾動(有色噪聲)的動態(tài)系統(tǒng)的無偏一致的參數(shù)估計問題,具體的LS類方法有增廣最小二乘法(Extended

Least-square

Method,ELS)廣義最小二乘法(Generalized

Least-square

Method,GLS)輔助變量法(Instrumental

Variables

Method,IV)等.其它無偏參數(shù)估計算法還有多步最小二乘法偏差補償最小二乘法第五講處理有色噪聲擾動的LS類方法(3/3)?這些不同的處理有色噪聲的辨識方法主要是針對不同的有色噪聲的特性、有色噪聲的不同模型表達、以及不同的辨識要求提出的.下面就分別討論:增廣最小二乘法(ELS)廣義最小二乘法(GLS)輔助變量法(IV)其它方法可參閱其它教材和文獻.1.ELS法(1/19)1.增廣最小二乘法?考慮如下SISO隨機離散系統(tǒng)A(z-1)y(k)=B(z-1)u(k)+v(k)(1)其中y(k),u(k)和v(k)分別為系統(tǒng)的輸出、輸入和相關的隨機擾動;

對所考慮的模型的相關隨機擾動v(k),一般假定其為平穩(wěn)相關序列.1.ELS法(2/19)

由第二講中的關于有色噪聲的結論1和假設2可知,平穩(wěn)的相關擾動v(k)可被建模如下(2)?

v(k)=C(z-1)w(k)其中w(k)為白噪聲序列;√C(z-1)為未知的、穩(wěn)定的、有限階的線性濾波器,并可表示為如下首一多項式因此,由系統(tǒng)模型(1)和噪聲模型(2),可得如下表示

A(z-1)y(k)=B(z-1)u(k)+C(z-1)w(k)1.ELS法(3/19)當假定噪聲w(k)可測已知時,上式又可表示為如下自回歸方程y(k)=

t(k-1)q+w(k)(3)其中?A(z-1)y(k)=B(z-1)u(k)+C(z-1)w(k)1.ELS法(4/19)?當上述觀測數(shù)據向量

(k-1)精確已知時,利用前面討論的成批或RLS法可求得回歸參數(shù)向量

的LS估計值.但是,實際上上述數(shù)據向量

(k-1)中包含有不可測的噪聲量w(k-1),...,w(k-nc),因此對自回歸式(3)并不能直接用LS估計方法.為此,引入通過在遞推參數(shù)估計過程中在線估計噪聲w(k)以實現(xiàn)模型參數(shù)在線遞推估計的ELS法.1.ELS法(5/19)ELS法的思想就是:√利用該參數(shù)估計值來在線估計白噪聲w(k-i)的值(k-以替代數(shù)據向量 (k-1)中的白噪聲w(k-i),√然后進行下一步的參數(shù)估計.√在遞推估計過程中,假設當前或前一步的在線參數(shù)估計值已相當程度可用的前提下,1.ELS法(6/19)?噪聲w(k)的具體的估計算法是如下的事后估計或事前估計算法:?

其中

^(k-1)為數(shù)據向量

(k-1)的如下在線估計值1.ELS法(7/19)?因此,基于漸消記憶的RLS估計算法可得如下遞推的ELS法?其中加權因子l為1時就為普通的ELS法.√

上述ELS辨識實際上是

的參數(shù)估計和噪聲wk的估計交替進行,計算順序為:1.ELS法(8/19)?上述分析過程表明,ELS法是LS法的一種簡單推廣.它只是擴充了參數(shù)向量q和數(shù)據向量

(k)的維數(shù),也同時辨識噪聲模型.就這種意義上說,可稱之為ELS法.值得指出的是,ELS法雖然可同時得到噪聲模型的參數(shù)估計,但其收斂過程卻比過程模型A(z-1)和B(z-1)的估計值的收斂慢許多.√

從實用角度來說,噪聲模型C(z-1)的階次不宜取得太高.1.ELS法(9/19)--ELS法計算步驟?綜上所述,ELS法的基本計算步驟可總結如下確定被辨識系統(tǒng)模型的結構,以及多項式A(z-1)、B(z-1)和C(z-1)的階次;設定遞推參數(shù)初值

^(0),P(-1),w^(0);采樣獲取新的觀測數(shù)據y(k)和u(k),并組成觀測數(shù)據向量

^(k-1);用式(5)~(7)所示的ELS法計算當前參數(shù)遞推估計值;用(4)式計算白噪聲w(k)的事后或事前在線估計值w^(k);循環(huán)次數(shù)k加1,然后轉回到第3步繼續(xù)循環(huán).1.ELS法(10/19)--ELS法仿真程序?下面給出針對隨機線性離散系統(tǒng)(XARMA)的ELS在線辨識仿真程序偽代碼./%第一步初始化輸入系統(tǒng)階次na,nb和nc,以及加權因子輸入系統(tǒng)模型Az=[1

a1

a2…]和Bz=[0

b1

b2…];輸入噪聲模型Cz=[1

c1

c2…]輸入系統(tǒng)輸入信號u(k)的方差

u

、過程噪聲w(k)的方差

w和輸入輸出測量噪聲uw

yw1.ELS法(11/19)--ELS法仿真程序)/%第二步辨識仿真for

k=1:最大仿真步數(shù){/%被控對象模型仿真(產生系統(tǒng)輸入輸出信號,即數(shù)據)yf[2:na+1]=yf[1:na];uf[2:nb+1]=uf[1:nb];wf[2:nc+1]=wf[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];1.ELS法(12/19)--ELS法仿真程序/%輸入輸出數(shù)據檢測ub[1]=uf[1];yb[1]=yf[1];/%或模擬檢測噪聲%

ub[1]=uf[1]+2*uw*(rand()-0.5);%

yb[1]=yf[1]+2*yw*(rand()-0.5);/%在線遞推辨識過程仿真=[-yb(2:na+1)

ub(2:nb+1)

wb(2:nc+1)];K=

P*

/(

+*P*

);=

+K*[yb(1)-*

];1.ELS法(13/19)--ELS法仿真程序wb[1]=yb(1)-

*

;yb[2:na+1]=yb[1:na];ub[2:nb+1]=ub[1:nb];wb[2:nc+1]=wb[1:nc];}也可采用事前估計?+c1w(k-1)+c2w(k-2)(8)?其它條件同第四講中的例1.結果如下表所示.1.ELS法(14/19)—例1?例1

考慮如圖下所示的仿真對象,圖中

w(k)是服從均值為零,方差為1的正態(tài)分布的不相關隨機噪聲;

輸入信號u(k)采用偽隨機二進制序列;通過控制w值來改變數(shù)據的噪信比.?辨識中,選擇如下模型結構?y(k)+a1y(k-1)+a2y(k-2)=b1u(k-1)+b2u(k-2)+w(k)1.ELS法(15/19)表1計算機仿真結果(噪信比=23%,數(shù)據組數(shù)1000)參數(shù)a1a2b1b2c1c2真值-1.50.71.00.5-1.00.2估計值

=1-0.7110.9990.498-0.1191.4967220.90938估計值-0.6941.0660.550-0.336=0.981.4650060.977981.ELS法(16/19)?遞推辨識過程的辨識值如下圖所示參數(shù)估計誤差的平方和噪聲估計誤差?遺忘因子=1時遞推辨識結果(1)1.ELS法(17/19)參數(shù)估計誤差的平方和噪聲估計誤差?遺忘因子=1時遞推辨識結果(2)1.ELS法(18/19)參數(shù)估計誤差的平方和噪聲估計誤差?遺忘因子=0.98時遞推辨識結果(1)1.ELS法(19/19)參數(shù)估計誤差的平方和噪聲估計誤差?遺忘因子=0.98時遞推辨識結果(2)2.GLS法(1/3)2.廣義最小二乘法?上一講討論了相關隨機擾動v(k)可用C(z-1)w(k)建模情況下的參數(shù)估計問題.但有些相關擾動用C(z-1)w(k)來建模的話,線性濾波器

C(z-1)的階次相當高,這加大了參數(shù)估計的工作量,也極大地影響了建模的精度和使用上的困難性.在此情況下,相關擾動v(k)可用如下方式建模(1)v(k)=w(k)/D(z-1)其中w(k)為零均值的白噪聲;2.GLS法(2/3)√

1/D(z-1)為未知的、穩(wěn)定的、有限階的線性濾波器,且D(z-1)可表示為如下穩(wěn)定的、階次較低的首一多項式

因此,具有該類相關隨機擾動的隨機離散系統(tǒng)的數(shù)學模型為:?

A(z-1)y(k)=B(z-1)u(k)+v(k)?

=B(z-1)u(k)+w(k)/D(z-1)(2)2.GLS法(3/3)?廣義最小二乘(Generalized

Least-squares,GLS)法討論的是可用模型(2)表示的隨機離散系統(tǒng)的參數(shù)估計問題.下面,將分別討論√√成批型和遞推型GLS法的思想和算法,以及√√GLS仿真

GLS評述一、成批型GLS法(1/9)一、成批型GLS法?成批型GLS法的基本思想是:先預選定一個線性濾波器Df(z-1)將模型中的輸出y(k)、輸入u(k)和有色噪聲w(k)/D(z-1)白色化,即將模型A(z-1)y(k)=B(z-1)u(k)+w(k)/D(z-1)兩邊左乘線性濾波器Df(z-1)后,有B(z-1)[Df(z-1)u(k)]+w(k)A(z-1)[Df(z-1)y(k)]并記為A(z-1)yf(k)B(z-1)uf(k)+w(k)再對上述白色化后的模型中多項式A(z-1)和B(z-1)的系數(shù)進行LS估計;一、成批型GLS法(2/9)然后基于對A(z-1)和B(z-1)的估計,利用模型

A(z-1)y(k)=B(z-1)u(k)+v(k)來計算模型殘差(相關噪聲)v(k)的估計值再基于噪聲模型D(z-1)v(k)=w(k)和相關噪聲v(k)的估計值,利用LS法辨識D(z-1),并基于此修正選定的濾波器Df(z-1);如此循環(huán)往復地進行Df(z-1)的修正及A(z-1)和B(z-1)的

迭代估計,直到模型的估計殘差滿足給定的精度或者Df(z-1)、

A(z-1)和B(z-1)的變化量相對較小為止.一、成批型GLS法(3/9)—計算步驟?上述成批型GLS法基本思想可用如下流程圖圖示.?綜上所述,成批型的GLS法的算法和計算步驟如下:

Step

1.確定被辨識系統(tǒng)模型的結構,以及多項式A(z-1)、

B(z-1)和D(z-1)的階次;Step

2.選定穩(wěn)定的初始濾波器Df(z-1);一、成批型GLS法(4/9)—計算步驟Step

3.采樣獲取新的觀測數(shù)據y(k)和u(k);(3)(4)Step

4.基于濾波器Df(z-1),進行如下濾波計算yf(k)=Df(z-1)y(k)uf(k)=Df(z-1)u(k)Step

5.由(2)~(4)式,列成如下自回歸方程:其中一、成批型GLS法(5/9)—計算步驟并由此得如下向量式的自回歸方程組fYf=

f+W(6)其中?Yf=[yf(1),

yf(2),

...,

yf(L)]?W=[w(1),

w(2),

...,

w(L)]f=[

f(0),

f(1),

...,

f(L-1)]Step

6.用如下LS法計算θf參數(shù)估計值一、成批型GLS法(6/9)—計算步驟(k-1)

f+v(k)(8)Step

7.由(2)式有y(k)=其中(k-1)=[y(k-1),

…,

y(k-na)

u(k-1),

…,

u(k-nb)]

因此,基于(7)式的參數(shù)估計值f,計算相關擾動v(k)的估計值,即回歸式(8)的如下估計殘差一、成批型GLS法(7/9)—計算步驟

Step

8.由(1)式,可得如下關于相關擾動v(k)和白噪聲w(k)的自回歸方程其中(11)并由此得如下向量式的自回歸方程組V=

vθv+W其中?V=[v(1),

v(2),

...,

v(L)]τv=[

v(0),

v(1),

...,v(L-1)]τ

Step

9.選取上一步估計得的D(z-1)的估計值作進行系統(tǒng)白色化處理的線性濾波器Df(z-1).

若模型的估計殘差滿足給定的精度或者Df(z-1)、A(z-1)和

B(z-1)的變化量相對較小則循環(huán)結束,否則返回第4步繼續(xù)循環(huán).一、成批型GLS法(8/9)—計算步驟

因此,將用式(9)計算好的相關擾動v(k)的估計值(k)來替代自回歸方程組(11)的相關擾動v(k),則可得如下回歸參數(shù)向量θv,即噪聲模型D(z-1)的系數(shù)的LS估計值一、成批型GLS法(9/9)?以上辨識過程表明,GLS法的思想是對輸入輸出數(shù)據先進行一次濾波預處理,然后利用普通LS法對濾波后的數(shù)據進行辨識,并反復迭代此過程.

可想而知,這種方法受濾波模型的好壞的影響較大,而在迭代過程中濾波模型的好壞也直接與系統(tǒng)模型辨識結果有

直接的關系.?從優(yōu)化理論的角度來說,GLS法其實屬于非線性優(yōu)化方法.

因此,難以避免出現(xiàn)非線性優(yōu)化中的局部極值點情況,即該方法并不能保證得到的估計值是一致無偏的.這是GLS法的一個不太令人滿意之處.二、遞推型GLS法(1/6)二、遞推GLS法?遞推GLS法的基本思想是與成批型LS法大致相同,所不同的是:由于所考慮的是遞推估計,不能像成批型那樣作反復迭代.

解決的方法是分別對(5)和(10)所示的兩個模型的辨識設計兩個遞推估計算法,并在每一個遞推步中,讓它們依順序遞推一次.

隨著遞推過程的深入,將不斷改進噪聲模型D(z-1)的辨識結果,同時亦得到較佳的A(z-1)和B(z-1)的辨識結果.二、遞推型GLS法(2/6)?根據上述基本思想,有如下遞推GLS估計算法:?Step

1.確定被辨識系統(tǒng)模型的結構,以及多項式A(z-1)、

B(z-1)和D(z-1)的階次;?Step

2.選定遞推參數(shù)初值f(0)和Pf(-1),v(0)和Pv(-1),以穩(wěn)定的初始濾波器Df(z-1);?Step

3.采樣獲取新的觀測數(shù)據y(k)和u(k);?Step

4.基于濾波器Df(z-1),分別由下式計算y(k),u(k)的濾波值yf(k)和uf(k);yf(k)=Df(z-1)y(k)uf(k)=Df(z-1)u(k)二、遞推型GLS法(3/6)?Step

5.構造觀測數(shù)據向量φf(k-1)?并依如下RLS法估計多項式A(z-1)和B(z-1)的系數(shù),即回歸參數(shù)向量θf二、遞推型GLS法(4/6)?Step

6.基于式?計算相關擾動v(k)的估計值,并構造觀測數(shù)據向量φv(k-1).二、遞推型GLS法(5/6)?Step

7.依如下RLS法估計多項式D(z-1)的系數(shù),即回歸參數(shù)向量θv?Step

8.選取上一步估計得的D(z-1)的估計值作進行系統(tǒng)白色化處理的線性濾波器Df(z-1).√將循環(huán)次數(shù)加1,返回第3步繼續(xù)循環(huán)遞推辨識.三、GLS仿真(1/14)三、廣義最小二乘法仿真?考慮如下有色噪聲擾動的隨機線性離散系統(tǒng)的GLS在線辨識仿真程序偽代碼.三、GLS仿真(2/14)%第一步初始化輸入系統(tǒng)階次na,nb和nd,以及加權因子輸入系統(tǒng)模型Az=[1

a1

a2…]和Bz=[0

b1

b2…];w輸入噪聲模型Dz=[1

d1

d2…]輸入系統(tǒng)輸入信號u(k)的方差

u和噪聲w(k)的方差設定系統(tǒng)變量初始值:yf[1:na+1]=0;

uf[1:nb+1]=0;vf[1:nd+1]=0;三、GLS仿真(3/14)%第二步辨識仿真for

k=1:最大仿真步數(shù){/%被控對象模型仿真(產生系統(tǒng)輸入輸出信號,即數(shù)據)yf[2:na+1]=yf[1:na];uf[2:nb+1]=uf[1:nb];vf[2:nd+1]=vf[1:nd];uf[1]=2*u*(rand()-0.5);wf=2*w*(rand()-0.5);三、GLS仿真(4/14)%輸入輸出數(shù)據檢測ub[1]=uf[1];yb[1]=yf[1];%輸入輸出濾波ubf[1]=Dze(1:nd+1)*ub(1:nd+1);ybf[1]=Dze(1:nd+1)*yb(1:nd+1);%在線遞推辨識系統(tǒng)模型_yu=[-ybf(2:na+1)

ubf(2:nb+1)];K_yu=P_yu*

_yu/(

+

_yu

*P_yu*

_yu);三、GLS仿真(5/14)%在線噪聲估計vb[1]=y(1)+

_yu[1:na]*yb(2:na+1)-

_yu[na+1:na+nb]*ub(2:nb+1);%在線遞推噪聲模型_v=[-vb(2:nd+1)];K_v=P_v*

_v/(

+

_v_v=

_v+K_v*[vf(1)-*P_v*

_v);_v

*_v];P_v=[I-K_v*

_v

]*P_v/

;修正矩陣P_v;輸出在線遞推參數(shù)估計值

_yu,

_v;三、GLS仿真(6/14)%數(shù)據移位yb[2:na+1]=yb[1:na];ub[2:nb+1]=ub[1:nb];ybf[2:na+1]=ybf[1:na];ubf[2:nb+1]=ubf[1:nb];vf[2:nd+1]=vf[1:nd];}三、GLS仿真(7/14)?例1

本例中的仿真對象、實驗條件與第四講中例1相同,模型結構選擇如下?

y(k)+a1y(k-1)+a2y(k-2)=b1u(k-1)+b2u(k-2)+v(k)?

v(k)+d1v(k-1)+d2v(k-2)=w(k)(19)(20)?仿真結果如表1所示.三、GLS仿真(8/14)?表1計算機仿真結果參數(shù)a1a2b1b2d1d2真值-1.50.71.00.5-1.00.2噪信比=73%初始白化濾波器Df=1仿真1-1.49900.70170.99970.5003-1.00560.2002仿真2-1.51460.71091.00300.4869-0.99430.1996噪信比=73%初始白化濾波器D

=1+0.5z-1-仿真1-1.43840.60300.98700.5271-1.14260.4060--三、GLS仿真(9/14)?遞推辨識過程的辨識值如下圖所示參數(shù)估計誤差的平方和噪聲估計誤差?噪信比=73%,初始白化濾波器Df=1時遞推辨識結果(1)三、GLS仿真(10/14)參數(shù)估計誤差的平方和噪聲估計誤差?噪信比=73%,初始白化濾波器Df=1時遞推辨識結果(2)三、GLS仿真(11/14)參數(shù)估計誤差的平方和噪聲估計誤差?噪信比=73%,初始白化濾波器Df=1+0.5z-1-0.5z-2時遞推辨識結果(1)三、GLS仿真(12/14)參數(shù)估計誤差的平方和噪聲估計誤差?噪信比=73%,初始白化濾波器Df=1+0.5z-1-0.5z-2時遞推辨識結果(2)三、GLS仿真(13/14)參數(shù)估計誤差的平方和噪聲估計誤差?噪信比=23%,初始白化濾波器Df=1時遞推辨識結果(1)三、GLS仿真(14/14)參數(shù)估計誤差的平方和噪聲估計誤差?噪信比=23%,初始白化濾波器Df=1時遞推辨識結果(2)三、GLS評述(1/1)?三、GLS評述?

對GLS算法,有如下評述:有色干擾下估計精度較高迭代收斂較快,但是收斂性未得到證明能同時得到過程參數(shù)和噪聲參數(shù)的估計計算量大,費機時3.IV法(1/2)3.輔助變量法?上兩講分別討論了同時辨識系統(tǒng)模型和噪聲模型的ELS法和GLS法.在有些建模及其模型的運用問題中,并不需要知道噪聲模型,即不需要對噪聲建模(辨識).此時,若采用ELS法和GLS法來辨識,需花費較多的計算時間,而且辨識的參數(shù)越多則辨識的精度和效果越差.這一點,GLS法尤其突出.3.IV法(2/2)?本講討論有相關隨機擾動時的隨機離散系統(tǒng)參數(shù)估計的輔助變量(Instrument

Variable,IV)法.該方法不需要辨識系統(tǒng)的噪聲模型,只要輔助系統(tǒng)選擇得恰當,便可獲得較高精度的無偏一致估計.本講介紹的主要內容為:√√√√成批型算法輔助變量的選擇遞推型算法IV法的評價一、成批型算法(1/6)一、成批型算法?考慮如下自回歸方程的一致辨識問題y(k)=

(k-1) +w(k),

k=1,2,...,L(1)或LYL=

+WL(2)其中對擾動量w(k)未加白噪聲的假定,其它符號與第三講一致.下面先考察一般LS法的參數(shù)辨識值的一致收斂性.一、成批型算法(2/6)?由第三講的提出的一般LS估計式?有一、成批型算法(3/6)由式(3)可知,欲獲得無偏一致的參數(shù)估計值,若,則f(xk)

f(

)依據Frechek定理:若隨機序列xk則由條件(4)與(5),有?LS0即LS估計為無偏估計.一、成批型算法(4/6)但,當w(k)不為白噪聲時,條件√并不能保證成立,相應的LS估計值√亦不能保證為無偏一致的.因此下面的問題是:√如何在有色噪聲干擾條件下得到無偏估計?一、成批型算法(4/6)?為了對w(k)不為白噪聲時,可獲得q的無偏一致估計值,定義一個如下輔助觀測數(shù)據矩陣L*

=[

*(0),*(1),

…,*(L-1)](6)其中輔助變量矩陣須滿足一、成批型算法(5/6)因此,使得對不定(不相容)方程組YL=L(9)和回歸方程YL=L+WL可獲得如下IV解

可見,只要選擇適當?shù)妮o助變量,使之滿足上述的兩個條件,

IV估計值就可以是無偏一致的.IV估計法的關鍵在于如何具體構造出輔助變量矩陣L*

.一、成批型算法(6/6)當輔助變量矩陣滿足條件(7)和(8)時,則依有據Frechek定理與條件(7)和(8)二、輔助變量的選擇(1/9)二、輔助變量的選擇(?IV法的關鍵是選擇適當?shù)妮o助變量使得條件(7)和(8)得到滿足.如果采用下圖所示的輸出x(k)作為輔助變量,置*(k-1)=[x(k-1),

...,

x(k-na),

u(k-1),

...,

u(k-nb)]τ

那么,當u(k)為高階持續(xù)激勵信號時,條件(7)必定滿足.

又因x(k)只與u(k)有關,也就是說與噪聲無關,故條件(8)也滿足.二、輔助變量的選擇(2/9)?人們已經得出幾種不同的方案,要嚴格證明它們滿足上述條件是很難的,但是在實際應用中已經取得很好的結果.常用的輔助變量選擇方法有:√自適應濾波√純滯后√Tally原理二、輔助變量的選擇(3/9)--自適應濾波A.自適應濾波?當把上圖所示的輔助系統(tǒng)模型看成是自適應濾波器時,輔助變量可按如下關系生成或求得x(k)=

*(k)

^(k)(13)或x(k)=

(k)=(1-*(k)

(k))

(k-1)+

^(k-d),(14a)取0.01~0.1;

d取0~10

(其中

^(k)表示k時刻的IV參數(shù)估計值,它可由遞推算法給出.二、輔助變量的選擇(4/9)--自適應濾波?下面簡單分析一下上述自適應濾波法所選擇的輔助變量與噪聲變量的相關性。對

*(k)與噪聲w(k)的相關性分析如下*(k)與√因此,經過層層傳遞(每次傳遞相關性小于1),噪聲w(k)的相關性將變得非常小。當噪聲w(k)與輸入u(k)無關時,且u(k)為高階持續(xù)激勵信號時,可以證明選用式(13)和(14)作為輔助變量以較大概率

滿足上述兩個條件[Soderstrom,1974].二、輔助變量的選擇(5/9)--純滯后B.純滯后?當圖1所示的輔助系統(tǒng)模型選為純滯后環(huán)節(jié)時,輔助變量取作x(k)=u(k-d)(15)其中d

nb,nb為多項式B(z-1)的階次.這時輔助變量向量

*(k-1)可寫成*(k-1)=[u(k-d-1),

...,

u(k-d-na),

u(k-1),

...,

u(二、輔助變量的選擇(6/9)--純滯后?值得指出的是,只有u(k)為高階持續(xù)激勵信號時,上述選取的*(k-1)的列之間現(xiàn)行無關,收斂條件(7)才能滿足。此外,當輸入u(k)與噪聲w(k)無關,

*(k)與噪聲w(k)統(tǒng)無關。因此u(k)為高階持續(xù)激勵信號時,上述選取的

*(k)滿足上述輔助變量可滿足上述兩個條件.二、輔助變量的選擇(7/9)--Tally原理C.Tally原理?如果相關噪聲的模型可以看成為?時,其中dnc,則輔助變量可取作?

x(k)=y(k-d)(16)?即?

*(k-1)=[y(k-d-1),

...,

y(k-d-na),

u(k-1),

...,

u(k-nb)]τ二、輔助變量的選擇(8/9)--Tally原理?下面簡單分析一下Tally原理所選擇的輔助變量與噪聲變量的相關性。對

*(k)與噪聲w(k)的相關性分析如下√

因此,經過層層傳遞(每次傳遞相關性小于1),

*(k)與噪聲w(k)的相關性將變得非常小。當噪聲w(k)與輸入u(k)無關時,且u(k)為高階持續(xù)激勵信號時,可以證明Tally原理所選擇的輔助變量以較大概率滿足上述兩個條件[方崇智等,1988].二、輔助變量的選擇(9/9)?在上述3種選擇輔助變量方法中,自適應濾波法辨識收斂快,精度高,遞推辨識結果平滑,波動小?!?/p>

Tally原理法次之。但純滯后法辨識收斂慢,精度低,數(shù)據增多對精度提高效果不顯著;√

再之,遞推辨識結果波動大,難于達到控制的要求。三、遞推型算法(1/15)三、遞推型算法?下面討論IV參數(shù)估計算法(10)的遞推算法.類似于RLS法的推導,由成批型IV法可得如下遞推IV算法?其中P(k-1)和K(k-1)的定義式為?

K(k-1)=P(k-1)*(k-1)(21)三、遞推型算法(2/15)?綜上所述,遞推IV法的基本計算步驟可總結如下?

確定被辨識系統(tǒng)模型的結構,以及多項式A(z-1)和B(z-1)的階次;?

確定或設計所采用的輔助變量系統(tǒng);?

設定遞推參數(shù)初值

^(0),P(-1);?量?采樣獲取新的觀測數(shù)據y(k)和u(k),并組成觀測數(shù)據向(k-1);計算輔助變量x(k),并組成輔助變量觀測數(shù)據向量*(k-1);?

用式(17)~(19)所示的遞推IV法計算當前參數(shù)遞推估計值;?

循環(huán)次數(shù)k加1,然后轉回到第4步繼續(xù)循環(huán).三、遞推型算法(3/15)?下面給出針對隨機線性離散系統(tǒng)(XARMA)的ELS在線辨識仿真程序偽代碼.%第一步初始化輸入系統(tǒng)階次na,nb和nc,以及輔助變量方法變量IV_method,輔助變量系統(tǒng)滯后IV-d,加權因子輸入系統(tǒng)模型Az=[1

a1

a2…]和Bz=[0

b1

b2…];w輸入噪聲模型Cz=[1

c1

c2…]輸入系統(tǒng)輸入信號u(k)的方差

u和噪聲w(k)的方差設定系統(tǒng)變量初始值:yf[1:na+1]=0;

uf[1:nb+

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論