系统辨识答案

合集下载

系统识别试题

系统识别试题

系统辨识练习题
一、简述下列各题
1. 什么是系统辨识?系统辨识的组成要素有哪些?系统辨识的基本步骤有哪些?把
系统辨识的基本环节用框图表示出来。

2. 阐述辨识的原理,并以单输入单输出系统为例,画出辨识原理图。

3. 什么是最小二乘参数辨识问题,简单阐述它的基本原理。

4. 基本最小二乘算法有何优缺点?克服基本最小二乘算法的缺陷的方法有哪些?
5. 递推辨识算法的基本格式是什么?构成递推辨识算法的基本条件是什么?
6. 阐述极大似然原理。

7. 现代辨识方法大体上可以分成哪几类? 8. 何谓白噪声?
9. 简述表示定理,并简单说明其意义。

10. 简述巴塞伐尔定理。

二、如下图所示,信号以1/2的概率在固定的时间间隔上改变极性,而且在持续时间区间内
信号幅度保持不变,求其自相关函数)(τx R 和谱密度函数)(ωx S 。

三、完成下面关于参数估计的统计性质的表格(在符合条件的栏内打√)
四、根据热力学原理,对于给定质量的气体,压力P 与体积V 之间的关系为βα
=PV
,其
中α和β为待定参数。

经实验获得如下一批数据,V 单位为立方英寸,P 的单位为巴每平方英寸
试用一次完成的最小二乘算法确定参数α和β(只要求写出计算过程,不要求计算结果)。

五、 写出加权最小二乘算法的递推公式,并解释如何进行递推计算(包括初始条件如何
确定)? 六、
考虑一个独立同分布的随机过程)}({t x ,在参数θ条件下随机变量x 的概率密度为
0,)|(2>=-θθθθx xe x P
求参数θ的极大似然估计。

中南大学系统辨识及自适应控制试卷3份及答案

中南大学系统辨识及自适应控制试卷3份及答案

2009级本科生 系统辨识及自适应控制 考试题一、 概述系统辨识与自适应控制的关系,以及自适应控制的研究对象和系统辨识的定义?(10分)关系:PPT 1.4图及说明。

自适应控制的研究对象:是具有一定程度不确定性的系统。

系统辨识:就是按规定准则在一类模型中选择一个与数据拟合得最好的模型。

二、描述随机过程统计特性的确定性时间函数有哪些?什么是白噪声,它有哪些特性,有何用途?在系统参数辨识实验中为什么常用M 序列或逆M 序列作为被辨识对象的输入信号?(20分)确定性时间函数有:均值函数、方差函数、均方值函数、相关函数等白噪声:一种均值为零,谱密度为非零常数的平衡随机过程白噪声特性:(1)是一种随机过程信号(2)没有记忆性,任意两时刻之间的值不相关(3)均值为零,方差为常数(4)功率谱密度函数为常数用途:(1)作为系统输入时,为系统的单位脉冲响应(2)作为被辨识系统输入时,可以激发系统的所有模态,可对系统充分激励(3)作为被辨识系统输入时,可防止数据病态,保证辨识精度(4)产生有色噪声原因:白噪声是一种理想的随机过程,若做为系统辨识的输入信号,则过程的辨识精度将大大提高,但是白噪声在工程上难以实现,因为工业设备无法按白噪声的变化特性运行。

M 序列与白噪声性质相近,保留了其优点,工业上可以接受。

但是M 序列含有直流成分,将造成对辨识系统的“净扰动”,而逆M 序列将克服这一缺点,是一种比M 序列更为理想的伪随机码序列。

三、简述在下列参数辨识公式中:111111ˆˆˆ[(1)()]()[()()]1[()]T N N N N T N N N T N N N K y N N K P N N P N P I K N P θθϕθϕλϕϕϕλ++-+++⎧⎪=++-⎪=+⎨⎪⎪=-⎩(1)系数λ的作用(10分);(2)初始值P0如何设定?说明理由(10分)。

(1)加权系数,削弱旧数据产生的误差,对新数据的误差乘以大的加权,其值愈小,跟随时变参数的能力就愈强,但参数估计精度愈低。

系统辨识试卷A参考答案

系统辨识试卷A参考答案

襄樊学院2008-2009学年度上学期《系统辨识》试题A卷参考答案及评分标准一、选择题:(从下列各题的备选答案中选出一个或几个正确答案,并将其代号写在题干后面的括号内。

答案选错或未选全者,该题不得分。

每空2分,共12分)1、(C)2、(D)3、(ACD)4、(D)5、(A)6、(ABC)二、填空题:(每空2分,共14分)1、计算。

2、阶次和时滞3、极大似然法和预报误差法4、渐消记忆的最小二乘递推算法和限定记忆的最小二乘递推算法三、判断题(下列命题你认为正确的在题后括号内打“√”;错误的打“×”并改正;每小题2分,共20分)(注:正确的题目括号内打“√”得2分,打“×”得0分;错误的题目括号内打“×”得1分,改正正确再得1分,错误的题目括号内打“√”得0分;)1、(√)2、(×)参数型→非参数型3、(√)4、(×)没有→有5、(√)6、(×)考虑→基本不考虑7、(√)8、(√)9、(×)完全相同→不完全相同 10、(×)不需要→需要四、简答题:(回答要点,并简明扼要作解释,每小题6分,共18分)1、答:相关分析法的主要优点是由于M序列信号近似于白噪声,噪声功率均匀分布于整个频带,从而对系统的扰动甚微,保证系统能正常工作(1.5分)。

此外。

因为相关函数的计算是一种统计平均的方法,具有信息滤波的功能,因此,在有噪声污染下,仍可提取有用信息,准确地求出系统的脉冲响应(1.5分)。

相关辨识技术在工程中的应用、可归结为下述几个方面:(1)系统动态特性的在线测试。

包括机、炉、电等一次设备,风机、水泵等辅机以及二次自动控制系统;(1分)(2)对控制系统进行在线调试,使调节系统参数优化;(1分)(3)自适应控制中的非参数型模型辨识等。

(1分)2、答:计算中用一个数值来表示对观测数据的相对的“信任程度”,这就是权。

(2分)对于时变参数系统,其当前的观测数据最能反映被识对象当前的动态特性,数据愈“老”,它偏离当前对象特性的可能性愈大。

系统辨识大作业1201张青

系统辨识大作业1201张青

《系统辨识》大作业学号:********班级:自动化1班姓名:**信息与控制工程学院自动化系2015-07-11第一题模仿index2,搭建对象,由相关分析法,获得脉冲响应序列ˆ()g k,由ˆ()g k,参照讲义,获得系统的脉冲传递函数()G z和传递函数()G s;应用最小二乘辨识,获得脉冲响应序列ˆ()g k;同图显示两种方法的辨识效果图;应用相关最小二乘法,拟合对象的差分方程模型;构建时变对象,用最小二乘法和带遗忘因子的最小二乘法,(可以用辨识工具箱) 辨识模型的参数,比较两种方法的辨识效果差异;答:根据index2搭建结构框图:相关分析法:利用结构框图得到UY 和tout其中的U就是题目中要求得出的M序列,根据结构框图可知序列的周期是1512124=-=-=npN。

在command window中输入下列指令,既可以得到脉冲相应序列()g k:aa=5;NNPP=15;ts=2; RR=ones(15)+eye(15); for i=15:-1:1UU(16-i,:)=UY(16+i:30+i,1)'; endYY=[UY(31:45,2)];GG=RR*UU*YY/[aa*aa*(NNPP+1)*ts]; plot(0:2:29,GG) hold onstem(0:2:29,GG,'filled') Grid;title('脉冲序列g(τ)')最小二乘法建模的响应序列由于是二阶水箱系统,可以假设系统的传递函数为221101)(sa s a sb b s G +++=,已知)(τg ,求2110,,,a a b b已知G (s )的结构,用长除法求得G(s)的s 展开式,其系数等于从 )( g 求得的各阶矩,然后求G(s)的参数。

得到结果: a1 =-1.1561 a2 =0.4283 b0 =-0.0028 b1=0.2961在command window 中输入下列指令得到传递函数:最小二乘一次算法相关参数%最小二乘法一次完成算法 M=UY(:,1); z=UY(:,2); H=zeros(100,4); for i=1:100 H(i,1)=-z(i+1); H(i,2)=-z(i); H(i,3)=M(i+1); H(i,4)=M(i); endEstimate=inv(H'*H)*H'*(z(3:102)) %结束得到相关系数为:Estimate =-0.7866 0.1388 0.5707 0.3115带遗忘因子最小二乘法:%带遗忘因子最小二乘法程序M=UY(:,1);z=UY(:,2);P=1000*eye(5); %Theta=zeros(5,200); %Theta(:,1)=[0;0;0;0;0];K=zeros(4,400); %K=[10;10;10;10;10];lamda=0.99;%遗忘因数for i=3:201h=[-z(i-1);-z(i-2);M(i);M(i-1);M(i-2)];K=P*h*inv(h'*P*h+lamda);Theta(:,i-1)=Theta(:,i-2)+K*(z(i)-h'*Theta(:,i-2));P=(eye(5)-K*h')*P/lamda;endi=1:200;figure(1)plot(i,Theta(1,:),i,Theta(2,:),i,Theta(3,:),i,Theta(4,:),i,Theta(5,:) )title('带遗忘因子最小二乘法')grid%结束Estimate 可由仿真图得出,可知两种方法参数确定十分接近。

系统辨识理论及应用(课后题答案第三章3.2、3.3)国防工业出版社

系统辨识理论及应用(课后题答案第三章3.2、3.3)国防工业出版社

1、系统辨识——连续系统传递函数——脉冲传递函数function h=Continuous_system_transferFcn(N,G,dt)% N——系统阶数% G——采样数据(个数大于等于2N+1)% G为一维行向量% dt——采样间隔if nargin<3errordlg('not enough input varibles','error hint');elseg_NN=zeros(N,N);for i=1:Ng_NN(i,:)=G(i+1:i+1+N-1);endg_N=-G(1:N)';a=inv(g_NN)*g_N;%% x的求解syms xfor i=1:NX(i)=x^i;endf=X*a+1;x=double(solve(f));%%极点的求解p=log(x)/dt;c_NN=zeros(N,N);for i=1:Nc_NN(i,:)=x.^(i-1);endc_N=G(1:N)';%%增益求解k=inv(c_NN)*c_N;pkz=zeros(1,N);p=p';k=k';Continuous_TransferFcn=0;for i=1:NContinuous_TransferFcn=Continuous_TransferFcn+zpk(z(i),p(i),k(i)); endContinuous_TransferFcnendend例题 3.1(P32)>>G=[0 0.1924 0.2122 0.1762];>> N=2;>> dt=1;>> Continuous_system_transferFcn(N,G,dt) p =-0.4934-0.7085k =1.6280-1.6280Continuous_TransferFcn =0.35024 s---------------------(s+0.4934) (s+0.7085)Continuous-time zero/pole/gain model.习题3.2(P34)>> G=[0 0.196 0.443 0.624 0.748 0.831]; >> N=3;>> dt=0.2;>> Continuous_system_transferFcn(N,G,dt) p =-0.0633-1.7846-11.1860k =1.1249-1.33990.2150Continuous_TransferFcn =-0.08507 s (s-253.1)-------------------------------(s+0.06329) (s+1.785) (s+11.19) Continuous-time zero/pole/gain model.2 系统辨识——离散系统传递函数——脉冲传递函数function h=Discrete_system_transferFcn(N,G,dt)% N——系统阶数% G——采样数据(个数大于等于2N+1)% G为一维行向量% dt——采样间隔if nargin<3errordlg('not enough input varibles','error hint');elseg_NN=zeros(N,N);for i=1:Ng_NN(i,:)=G(i+1:i+1+N-1);endg_N=-G(N+2:2*N+1)';a1=inv(g_NN)*g_N;a=zeros(N,1);for j=1:Na(j,1)=a1(N+1-j,1);endB=zeros(N+1,N+1);B=diag(linspace(1,1,N+1));for i=1:N+1for j=1:N+1if (i==j)&(i<N+1)&(j<N+1)B(i+1:N+1,j)=a(1:N+1-i,1);endendendg__N=G(1:N+1)';b=B*g__N;abnum=b';den=[1 a'];Discrete_TransferFcn=tf(num,den,dt);Discrete_TransferFcnendend例题 3.2(P33)>> G=[0 7.157039 9.491077 8.563839 5.930506 2.845972 0.144611]; >> N=3;>> dt=0.05;>> Discrete_system_transferFcn(N,G,dt)a =-2.23001.7606-0.4950b =7.1570-6.4691-0.0009Discrete_TransferFcn =7.157 z^2 - 6.469 z - 0.0008933--------------------------------z^3 - 2.23 z^2 + 1.761 z - 0.495Sample time: 0.05 secondsDiscrete-time transfer function.习题3.3(P34)>> G=[10 6.989 4.711 3.136 2.137 1.559 1.252 1.096 0.938 0.860]; >> N=3;>> dt=0.1;>> Discrete_system_transferFcn(N,G,dt)a =-2.19191.7166-0.4794b =10.0000-14.92956.55810.0139Discrete_TransferFcn =10 z^3 - 14.93 z^2 + 6.558 z + 0.01389--------------------------------------z^3 - 2.192 z^2 + 1.717 z - 0.4794Sample time: 0.1 secondsDiscrete-time transfer function.。

系统辨识作业及答案

系统辨识作业及答案

一. 问答题1. 介绍系统辨识的步骤。

答:(1)先验知识和建模目的的依据;(2)实验设计;(3)结构辨识;(4)参数估计;(5)模型适用性检验。

2. 考虑单输入单输出随机系统,状态空间模型[])()(11)()(11)(0201)1(k v k x k y k u k x k x +=⎥⎦⎤⎢⎣⎡+⎥⎦⎤⎢⎣⎡=+ 转换成ARMA 模型。

答:ARMA 模型的特点是u(k)=0,[])()(11)()(0201)1(k v k x k y k x k x +=⎥⎦⎤⎢⎣⎡=+3. 设有一个五级移位寄存器,反馈取自第2级和第3级输出的模2加法和。

试说明:(1) 其输出序列是什么? (2) 是否是M 序列?(3) 它与反馈取自第4级与第3级输出模2加法和所得的序列有何不同? (4) 其逆M 序列是什么? 答:(1)设设输入序列1 1 1 1 1111018110107101006010015100114001113011112111111)()()()()()()()(()()()()()()()01110161110115110101410100)13(010011210011110011110011109()()()()()()()001112401110)23(111012211010211010020010011910011180011117()()()()()()()()10011320011131011103000111291101028101002701001261001125 其输出序列为:1 1 1 1 1 0 0 1 0 1⑵不是M 序列⑶第4级与第3级模2相加结果100108001007010006100015000114001113011112111111)()()()()()()()(()()()()()()()11110161110115110101410101)13(010111210110110110010110019()()()()()()()110012410010)23(001002201000211000120000111900111180111117()()()()()()()()01111321111031111013011010291010128010112710110260110025 不同点:第2级和第3级模二相加产生的序列,是从第4时刻开始,每隔7个时刻重复一次;第4级与第3级模2相加产生的,序列,是从第2时刻开始每隔15个时刻重复一次。

系统辨识大作业

系统辨识大作业

系统辨识大作业专业班级:自动化09-3学号:09051325姓名:吴恩作业一:设某物理量Y与X满足关系式2=++,实验获得一批数据Y aX bX c如下表,试辨识模型参数,,a b c。

(15分)解答:问题描述:由题意知,这是一个已知模型为Y=aX2+bX+c,给出了10组实验输入输出数据,要求对模型参数a,b,c进行辨识。

问题求解:这里对该模型参数辨识采用最小二乘法的一次算法(LS)求解。

2=++可以写成矩阵形式Y=AE+e;其中A=[X^2,X,1]构成, Y aX bX c利用matlab不难求解出结果。

运行结果:利用所求的的参数,求出给定的X对应的YE值,列表如下做出上表的图形如下12345678910xyy=ax 2+bx+c 参数求解结果分析:根据运行结果可以看出,拟合的曲线与真是观测的数据有误差,有出入,但是误差较小,可以接受。

出现误差的原因,一方面是由于给出的数据只有十个点,数据量太少,难以真正的充分的计算出其参数,另外,该问题求解采用的是LS 一次算法,因此计算方法本身也会造成相应的误差。

作业二:模仿实验二,搭建对象,由相关分析法,获得脉冲相应序列()g k,由()G z;和传递函数g k,参照讲义,获得系统的脉冲传递函数()G s及应用相关最小二乘法,拟合对象的差分方程模型;加阶跃()扰动,用最小二乘法和带遗忘因子的最小二乘法,辨识二阶差分方程的参数,比较两种方法的辨识差异;采用不少于两种定阶方法,确定对象的阶次。

对象模型如图:利用相关分析法,得到对象的脉冲相应序列。

如下图:(1).由脉冲相应序列,求解系统的脉冲传递函数G(z)Transfer function:0.006072 z^2 + 0.288 z + 0.1671-------------------------------z^2 + 0.1018 z - 0.7509Sampling time: 2(2).由脉冲相应序列求解系统的传递函数G(s)Transfer function:(0.04849+2.494e-018i)-----------------------s^2 + 0.1315 s + 0.6048(3).利用相关最小二乘法拟合系统的差分方程模型如下:(4).在t=100,加入一个0.5的阶跃扰动,,利用RLS求解差分方程模型:RLS加入遗忘因子之后与未加之前的曲线情况如下:未加遗忘因子之前参数以及残差的计算过程加入0.99的遗忘因子得到的参数辨识过程与残差的变化过程根据上面两种方法所得到的误差曲线和参数过渡过程曲线,我们可以看出来利用最小二乘法得到的参数最终趋于稳定,为利用带遗忘因子的最小二乘算法,曲线参数最终还是有小幅度震荡。

(完整)系统辨识大作业汇总,推荐文档

(完整)系统辨识大作业汇总,推荐文档

参数递推估计是指被辨识的系统,每取得一次新的测量数据后,就在前一 次估计结果的基础上,利用新引入的测量数据对前一次估计的结果进行修正, 从而递推地得出新的参数估计值。这样,随着新测量数据的引入,一次接一次 地进行参数估计,直到估计值达到满意的精确程度为止。最小二乘递推算法的 基本思想可以概括为:
当前的估计值ˆ(k) =上次估计值ˆ(k 1) +修正项 即新的估计值ˆ(k) 是在旧的估计值ˆ(k 1) 的基础上,利用新的观测数据对旧的 估计值进行修正而成的。
可以看出,取 (k) 1的时候,加权最小二乘估计就退化成了最小二乘参数 估计的递推算法(Recursive Least Squares, RLS)。加权参数 1 可以在
(0,1]范围内选择,如果选 1 1,所有的采样数据都是等同加权的,如果
(k)
1 1,则表示对新近获得的数据给予充分大的加权因子,而削弱历史观测 (k)
可以根据生成的白噪声序列和输入序列,以及必要的 0 初始值,带入表 达式即可得到采样输出数据。
2. 差分模型阶检验 在实际场景中,辨识模型的阶数和纯时延往往是未知的,在很多情况下仅
仅依靠猜测。在模型的阶数和纯时延不确定时,设系统模型为
n
n
y(t) ai y(t i) bj y(t i) (t)
数据的影响。 实际计算时,需要首先确定初始参数ˆ(0) 和 P(0) 。
P(0) 2I 为充分大实数
一般说来选取
(0)
为充分小的向量
对于这样的系统,使用最小二乘法参数估计的递推算法进行辨识可以得到 无偏估计,但是如果噪声模型必须用 C(z1)v(k) 表示时,此时就无法得到无偏估 计了,因为该方法没有把噪声模型考虑进去。
K (k) P(k 1)h(k)[hT (k) p(k 1)h(k) 1 ]1
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

1:修改课本p61的程序,并画出相应的图形;u =-1 -1 -1 1 -1 1 1 -1 1 -1 1 -1 -1 1 1z =Columns 1 through 110 0Columns 12 through 16HL =0 0 0ZL =c =a1 =a2 =b1 =1b2 =2:修改课本p63的程序,并画出相应的图形(V的取值范围为54-200);V = [, , , , , ]τP = [, , , , , ]τZL = [, , , , , ]τHL =c4 =alpha =beita = +0043:表1中是在不同温度下测量同一热敏电阻的阻值,70时根据测量值确定该电阻的数学模型,并求出当温度在C︒的电阻值。

要求用递推最小二乘求解: (a )设观测模型为利用头两个数据给出⎪⎩⎪⎨⎧===-0L T L L T L L z H P θH H P P 000)0()0(ˆ)()()0(10 (b )写出最小二乘的递推公式; (c )利用Matlab 计算T k a k b k )](),([)(ˆ=θ并画出相应的图形。

解:首先写成[][]⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡=+==a b t a b h h a bt k k z k k 1)()(12θτh θL L H z =T L L z z ],...,[1=z ,⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=1 (112)1L L t t t H ,⎥⎦⎤⎢⎣⎡=a b θ的形式。

利用头两个数据给出最小二乘的初值:,126120.50⎥⎦⎤⎢⎣⎡=L H ⎥⎦⎤⎢⎣⎡=7907650L z 这样可以算得i i v bt a y ++=⎪⎩⎪⎨⎧===-0L T L L T L L z H P θH H P P 000)0()0(ˆ)()()0(10 求得⎪⎪⎩⎪⎪⎨⎧⎥⎦⎤⎢⎣⎡==⎥⎦⎤⎢⎣⎡==671.8182 4.5455 )0()0(ˆ36.2397 1.5372- 1.5372- 0.0661)()0(000L T L L z H P θP P 注意对于手工计算,可以直接用2阶矩阵求逆公式⎥⎦⎤⎢⎣⎡---=⎥⎦⎤⎢⎣⎡-a c b d bc ad d c b a 11有了初值,可以写出递推公式:T 1032]1010 980 942 910 873 850 826 [=L z⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡= 1.0000 95.7000 1.0000 88.0000 1.000080.0000 1.0000 73.0000 1.0000 61.0000 1.0000 51.0000 1.0000 40.0000 1.0000 32.7000 L H ⎥⎦⎤⎢⎣⎡=1)(k t k h 这样可以根据公式进行计算。

⎪⎪⎪⎩⎪⎪⎪⎨⎧⎥⎦⎤⎢⎣⎡Λ+---=⎥⎦⎤⎢⎣⎡Λ+--=--+-=-)(1)()1()()()()1()()(1)()1()()()1()()]1(ˆ)()()[()1(ˆ)(ˆ1k k k k k k k k k k k k k k k k k k z k k k h P h K K P P h P h h P K h K ττττθθθ 算得:P(1) =P(2) = P(3) = P(4) = P(5) = P(6) = P(7) = P(8) =Tk ⎥⎦⎤⎢⎣⎡=702.7620 702.9683 705.3110 708.4127 702.9463 698.6728 675.2295 661.3131 3.4344 3.4292 3.3668 3.2778 3.4443 3.5878 4.4470 5.0134 )(ˆθ进而可以画出相应的图形编程:H_L0=[ 1;26 1];z_L0=[765;790];P_L0=inv(H_L0'*H_L0);Theta_0=P_L0*H_L0'*z_L0;vv=[ 40 51 61 73 80 88 ];HL=[vv;ones(1,8)]';z_L=[826 850 873 910 942 980 1010 1032];L=8;N=2;P=zeros(N,N,L);KK=zeros(N,L);P_k=P_L0;Theta=zeros(N,L)alpha_k=0;h=zeros(1,N); h=HL(k,:)';alpha_k=h'*P_k*h+1; KK(:,k)=P_k*h/alpha_k;Theta(:,k)=Theta_0+KK(:,k)*(z_L(k)-h'*Theta_0);P(:,:,k)=P_k-KK(:,k)*KK(:,k)'*alpha_k;第三章 补充习题4:叙述并推导递推最小二乘递推公示(pp64-66)。

在2n 阶“持续激励”输入信号的作用下,加权最小二乘法的解为L L L L L z H H H ΛΛθττ1WLS )(ˆ-=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=∑∑=-=L i L i i z i i i i i 111)()()()()()(h h h ΛΛτ记k 时刻的参数估计值为⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=∑∑=-=k i k i i z i i i i i k 111)()()()()()()(ˆh h h ΛΛτθ令∑==ki i h i h i k R 1)()()()(τΛ,并利用R h () ()()()()k k i i z i i k --==-∑1111θΛ,则有⎪⎩⎪⎨⎧+-=--+-=-)()()()1()()]1(ˆ)()()[()()()1(ˆ)(ˆT1k k k k k k k k z k k k k k h h R R h h R ΛΛθθθτ 又设R R ()()k kk =1,可导出如下的加权最小二乘估计递推算法,记作WRLS(Weighted Recursive Least Squares algorithm),⎪⎩⎪⎨⎧--+-=--+-=-)]1()()()([1)1()()]1(ˆ)()()[()()(1)1(ˆ)(ˆ1k k k k k k k k k k z k k k k k k R h h R R h h R ττθθθΛΛ 置[]11111)()()()1()()()()(1)(---=-Λ+-=⎥⎦⎤⎢⎣⎡Λ==∑k k k k i i i k k k k i ττh h P h h R P ,并利用矩阵反演公式111111)()(------+-=+A C C A C B C A A CBC A τττ ,令增益矩阵为:)()()()(k k k k Λ=h P K那么算法将演变成下面所示的另一种递推算法形式⎪⎪⎪⎩⎪⎪⎪⎨⎧--=⎥⎦⎤⎢⎣⎡+--=--+-=-)1()]()([)()(1)()1()()()1()()]1(ˆ)()()[()1(ˆ)(ˆ1k k k k k k k k k k k k k k z k k k P h K P h P h h P K h K τττθθθI Λ 第四章1:叙述课本定理并推导之(pp92-94);确定性问题的梯度校正参数辨识方法的参数估计递推公式为:)](ˆ)()()[()()(ˆ)1(ˆk k k y k k k k θR θθτh h -+=+ 并且权矩阵)(k R 选取如下形式:)](,),(),([)()(21k k k diag k c k N ΛΛΛ= R如果权矩阵满足以下条件:1. ),2,1(,)(0N i k H i L =Λ≤Λ≤Λ<2.N 个)(k i Λ中存在一个)(k m Λ,使得)()1()()()1()(k k k k k k i i i m m m ΛΛΛΛΛΛ+-≥+-或者)()1()()1(k k k k i i m m ΛΛΛΛ+≤+ 3. ∑=<<Ni iik h k k c 12)()(2)(0Λ4.)(ˆ)(~0k k θθθ-=与)(k h 不正交 则不管参数估计值的初始值如何选择,参数估计值总是全局一致渐近收敛的,即有:)(ˆlim θθ=∞→k k 定理的证明:① 建立关于参数估计偏差)(~k θ的离散时间运动方程。

由于:)](ˆ)[()()()(ˆ)](ˆ)()()[()()(ˆ)](ˆ)()()[()()(ˆ)1(ˆ00k k k k k k k k k k k k k k y k k k k θθR θθθR θθR θθ-+=-+=-+=+ττττh h h h h h h 令:)(ˆ)(~0k k θθθ-=,由: )](ˆ)[()()()(ˆ)1(ˆ000k k k k k k θθR θ-θθ-θ--=+τh h 我们有:)(~)()()()(~)1(~k k k k k k θR θθτh h -=+即)(~)]()()([)1(~k k k k k θR I θτh h -=+ (**) ② 建立方程(**)的Lyapunov 能量函数。

定义Lyapunov 能量函数如下:∑=ΛΛ=Ni i i m k k k k k V 12)()(~)(]),(~[θθ其中m Λ满足定理中的条件2,)(ˆ)(~k k ii i θθθ-=。

由Lyapunov 稳定性定理,只要]),(~[k k V θ满足以下条件,则离散时间运动方程(**)具有全局一致渐近稳定的零点。

(a )0]),(~[>k k V θ,对于所有的0θ≠)(~k ; (b )0]),(~[=k k V θ,对于所有的0θ=)(~k ; (c )当∞→)(~k θ时,有∞→]),(~[k k V θ; (d )0]),(~[]1),1(~[ˆ],~[<-++=∆k k V k k V k V θθθ,对所有的0θ≠)(~k 。

由定理给定的条件可知(a )、(b )和(c )一定满足。

③ 条件(d )满足的证明 记:)(]),(~[)1(]1),1(~[],~[k k k V k k k V k V m m m Λ-+Λ++=∆θθθ 则由Lyapunov 能量函数的定义,有:∑∑∑∑∑∑∑∑∑∑==========+ΛΛ+Λ-Λ++=+ΛΛ+Λ-Λ++⎥⎦⎤⎢⎣⎡Λ-+=⎥⎦⎤⎢⎣⎡+ΛΛ++Λ-+Λ++Λ-++Λ=⎥⎦⎤⎢⎣⎡+ΛΛ+Λ-+Λ=⎥⎦⎤⎢⎣⎡Λ-+Λ+=Λ-+Λ+=ΛΛΛ-+Λ++Λ+Λ=∆Ni i i i ii N i i i i i iN i i i i N i i i i i i i i i i i N i i i i i i i N i i i i i N i i i N i ii N i i i m m N i i i m m m k k k k k Q k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k V 12121221222212212212121212)1()()1()()1(~)1()()1()()1(~)()(~)1(~)1()()1(~)1()1(~)()(~)1()1(~)1()1()()(~)1()1(~)()()(~)1()1(~)()(~)1()1(~)()(~)()()1()1(~)1()1(],~[θθθθθθθθθθθθθθθθθ 其中:∑∑==Λ-++-+=⎥⎦⎤⎢⎣⎡Λ-+=N i i ii i i i Ni i i i k k k k k k k k Q 1122)(]2)(ˆ)1(ˆ)][(ˆ)1(ˆ[)()(~)1(~θθθθθθθ 将)](ˆ)()()[()()(ˆ)1(ˆk k k y k k k k θR θθτh h -+=+及)(k R 的定义式代入,由于:)(~)()(ˆ)()()(ˆ)()()(0k k k k k k k k y k θh θh θh θh ττττε=-=-=我们有:⎥⎦⎤⎢⎣⎡-Λ=-Λ=∑∑==2)()()()()()](~2)()()()()[()()(1221Ni i i Ni i i i i k h k k c k k c k k k h k k c k h k k c Q εθεε由定理给的条件2,有)(]1),1(~[)1(]1),1(~[]1),1(~[)1()()1()()1()1(~)()1()()1()()1()()1(~],~[1212k k k V k k k V Q k k V k k k k Q k k k k k Q k k k k k Q k V m m m m m m N i i i m m m Ni i i i ii m Λ++-+Λ+++=+++ΛΛ+Λ-Λ+=+Λ+Λ+Λ-Λ+≤+ΛΛ+Λ-Λ++=∆∑∑==θθθθθθ利用],~[k V m θ∆和],~[k V θ∆的定义,由 )(]),(~[],~[)1(]1),1(~[k k k V k V k k k V m m m Λ+∆=+Λ++θθθ 上面的不等式可得:)(],~[)(]),(~[]1),1(~[)(]1),1(~[)(]),(~[0k k V Q k k k V k k V Q k k k V k k k V Q m m m m Λ∆-=Λ-++-=Λ++-Λ+≤θθθθθ 即有:)(],~[k Q k V m Λ≤∆θ由于0)(>Λk m ,所以为了使0],~[<∆k V θ,必须0<Q ,即要求: 02)()()()()(122<⎥⎦⎤⎢⎣⎡-Λ∑=N i i i k h k k c k k c ε由定理的条件4,有0)(~)()(≠=k k k θh τε,因此上面的不等式为: ∑=Λ<<Ni iik h k k c 12)()(2)(0至此证明了只要定理的条件满足,必有0],~[<∆k V θ,定理证毕。

相关文档
最新文档