- 1、本文档共19页,可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、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。
- 7、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。
- 8、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
2011-6-25
《系统辨识实验报告》
姓 名: 学 号:
指导教员:
米米来来来来
* * * * * 水
* * * * * 米
* * * * * * * * * * * * * * * 水
一、实验目的
1. 通过实验,掌握递推最小二乘参数辨识方法。
2. 通过实验,掌握残差的平方和F 检验模型阶次辨识方法。
二、 实验步骤
1. 掌握最小二乘递推算法和F 检验模型阶次辨识的基本原理。
2. 设计实验方案。
3. 编制实验程序。
4. 调试程序,研究实验问题,记录数据。
5. 分析实验结果,完成实验报告。
三、 实验内容
1、实验对象设定
实验所用的仿真模型如下:
v(k)
v(k)
1
1- 1.5z- 1+0.7z-2
u(k)
z?1+0.5z-2
1- 1.5z1+0.7z-2
+ 十
y(k)
y(k)
e(k)
z(k)- 1.5z(k- 1)+0.7z(k-2)=u(k- 1)+0.5u(k-2)+Av(k)
其中, u(k) 和y(k) 分别为模型的输入和输出变量; v(k)为零均值、方差为1、 服从正态分布的白噪声; A 为噪声的标准差(实验时,可取0.0、0.1、0.5、1.0);
输入变量u(k)采用M 序列,幅度取1.0。
辨识模型的形式取
A(z?')z(k)=B(z?')u(k)+e(k)
为方便起见,取na=n,=n, 即
A(z)=1+a?z1+a?z2+ …+a,z"
B(z)=b?z21+b?z2+ …+b,z"
2、递推最小二乘(RLS) 参数辨识算法设计
当观测数据长度为N 时,系统可以写为
Yy=φ,θ+5
递推最小二乘法辨识公式可以写为
其中,初值可以按如下形式给出
Pvo=(φXoφxo)?1
0√=PvoφKoYvo
同时计算如下性能指标:
1)损失函数的递推计算
2)噪声标准差的估计
3)模型静态增益估计
根据上述计算公式可以编制RLS 的算法步骤如下:
stepl: 确定被辨识系统的模型结构,以及多项式A(z?') 和B(z?') 的阶次;
step2: 设定递推参数的初值0(0), P(0);
step3: 采样获取新的观测数据 y(k) 和u(k), 并且组成观测数据向量
φ(k- 1);
step4: 用RLS 法计算当前参数递推估计值6(k);
step5: 采样次数k 加1,然后转回到第三步继续循环。
由算法可以编制程序见附录程序1。
3 、F-TEST 模型定阶算法设计
如果模型为
a(z?1)y(k)=b(z- 1)u(k)+c(z?')s(k)
则残差为
由于J, 随着n 的增加而减小,在阶数n 的增大过程中,我们对那个使J, 显
著减小的阶n 感兴趣。为此引入准则
其中, J( ·) 为相应阶次下的损失函数值, L 为所用的数据长度, n 为模型的
估计阶次。
若t(n,n+1>ta, 拒绝Ho:n≥no, 若t(n,N+1≤ta, 接受H?:n+1≥n?, 中 ta
为风险水平α下的阀值。这时模型的阶次估计值可取n+1。
同时计算如下性能指标:
1)参数估计平方相对偏差
,0=0-0
2)参数估计平方根偏差
3)静态增益估计相对偏差
,
K=K-K
可以编制程序见附录程序2。
4、 实验结果及分析
(1) RLS 参数辨识仿真
白噪声 v(k)为零均值、方差为1、服从正态分布。在程序中用服从正态分布 的随机数产生。噪声的标准差λ在实验时,分别取0.0、0.1、0.5、1.0;
输入变量u(k) 采用M 序列,幅度取1.0,通过异或xor 移位寄存器循环产生; 数据长度N 可取100、300、500。
M 序 列
高斯白噪声
图1 输入的M 序列 图2 高斯白噪声
被辨识参数的初始值θ(0)应该是已给充分小的向量;初始状态 P(0)应该是
一个充分大的初始向量
下图给出了A=0.1 时的仿真曲线:
Parameter identification with recursive least squares identification precision
图 3 参数辨识结果
图 4 参数误差
从左图可以大略看出,仿真参数值基本与给定模型一致,而由右图知参数误 差非常小。
为进一步分析结论,分别取A 为0.0、0.1、0.5、1.0时,记录参数辨识结果 和误差如下表所示:
残差方差表 1 辨识参数值与误差
残差方差
0
0.1
0.5
1
a?
a
-1.5
0
-1.4813
9.8e-006
-1.5111
-0.0019
-1.5269
6.9e-004
a?
a
0.7
0
0.6831
1.7e
文档评论(0)