系统辨识读书报告

系统辨识的读书报告
经过对系统辨识半个学期的课上学习和课下的论文查阅，我已经对系统辨识有了一定的认识和了解。

它是伴随着现代控制理论的产生而发展起来的一门独立的学科，系统辨识(System Identification)就是假设系统输入U(t)和输出Y(t)已知，求系统的传递函数G(s)，即通过采集系统的输入输出数据来研究确定系统数学模型的理论和方法。

系统辨识有很多用途，在现代社会中也变得越来越重要。

凡是需要通过实验数据确定数学模型和估计参数的场合都要利用辨识技术，辨识技术现在已经推广到工程和非工程的许多领域，如化学化工过程、核反应堆、电力系统、航空航天飞行器、生物医学系统、社会经济系统、环境系统、生态系统等。

在预测方面，系统辨识的目的是用系统的可测量的输入和输出去预测系统输出的未来的演变。

例如最常见的气象预报，洪水预报，其他如太阳黑子预报，市场价格的预测，河流污染物含量的预测等。

而在控制领域，系统辨识是利用描述控制系统动态特性的数学模型设计控制器，来更好的对系统进行控制。

系统辨识的核心就是采集系统的输入输出数据来研究确定系统数学模型，由于建立数学描述的目的是要帮助分析和解决实际问题，认识客观世界，因此，所构建的模型最终要应用到现实世界中去，也就是说，作为被控对象进行控制，抽象出的模型必须能够代表原系统。

建立研究对象的数学模型主要有两条途径。

第一条途径是利用人们已有的关于对象的知识(如利用物理规律、能量和质量守恒方程及系统部件之间的关系等)，通过对对象自身运动机理的分析确定研究对象的数学结构和参数，从理论上推导出对象的数学模型，得到的模型称为理论模型。

由于客观世界运动关系的复杂和人类认识水平的局限，理论模型的建立特别是对复杂对象来说是非常困难的，一般都需要大量简化条件和假设，而且这类模型的数学求解过程异常复杂，难以理解，甚至不可获得，更难以指导实践和在实际工程中推广应用。

建立数学模型的第二条途径源于现代系统理论的发展与应用，它是根据对一个已经存在的对象或系统的观察、测量所得到的大量的输入、输出数据，推断出被研究对象的数学模型，这就是系统辨识过程，得到的数学模型称为经验模型。

系统辨识的方法有很多种，经典的系统辨识方法的发展已经比较成熟和完善，包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等。

其中最小二乘法(LS)是一种经典的和最基本的，也是应用最广泛的方法。

但随着系统的复杂化和对模型精确度要求的提高，系统辨识方法在不断发展，特别是非线性系统辨识方法，主要有：集员系统辨识法、多层递阶系统辨识法、神经网络系统辨识法、模糊逻辑系统辨识法、小波网络系统辨识法。

这些方法也应用在不同的系统辨识研究领域，我参考的论文中就有利用神经网络系统辨识方法对电路脉冲响应建模，利用最小二乘法对系统进行建模。

模型建立分为几个步骤，依次为：模型结构辨识、模型检验、数据预处理、模型实验设计。

模型结构辨识是建模的前提。

必须明确模型的基本构型，如动态或静态、离散或连续、线性或非线性等模式。

同时要对模型参数予以辨识，最小二乘法应用广泛的辨识方法，但在处理时变过程时必须设定好边界条件，以免出现畸变。

参数设计是建模的基础。

必须合理选择输入信号、采样时间、辨识时间、开环或闭
环辨识、离线或在线辨识等参数或方式，目的是使采集数据序列尽可能多地包含过程特征的内在信息，预测模型辨识的等价准则主要是使预测误差平方和最小，只要预测误差小就是好的预测模型，对模型的结构及参数则很少再有其他要求。

这时辨识的准则和模型应用的目的是一致的，因此可以得到较好的预测模型。

模型检验是建模的重点，模型的可靠性须经多方面的检验：可利用不同时间区段内采集的数据，分别建立模型，如果模型特性基本相符，则模型可靠；也可利用两组不同数据，独立辨识出模型，并分别计算它们的损失函数，然后将两组数据交叉使用，再讨算各自的损失函数，如果对应的损失函数没有明显变化，则模型可靠；也可增加辨识中的数据长度，如果损失函数不再显著下降，则模型可靠。

数据预处理是建模的关键节点，输入数据和输出数据都要进行零均值化和剔除高频成分的预处理，预处理直接影响辨识精度。

模型实验设计是建模的最终标准，实验输入信号必须体现系统动态性能，应能使给定问题的辨识模型精度最高；采样速度不低于信号截止频率的两倍，与模型应用时的采样时间尽可能保持一致，并尽可能顾及辨识算法、控制算法的计算速度和执行机构、检测元件响应速度等问题。

对于每一种系统建模都需要遵循上面的步骤，只是针对每种不同的情况所采用的建模方法不同，同一种模型的建立也可以采用不同的方法，例如：电路脉冲响应的建模可以采用最小二乘法建模，也可以采用神经网络建模，基于最小二乘法OE模型和NARX神经网络模型对稳压电源与脉冲之间的能量耦合通道进行了建模，所得模型均能够准确预测两种不同激励源的响应波形，证实了系统辨识对脉冲响应预测建模的准确性。

同时发现在模型阶次相差不大时，NAXR神经网络模型对同种激励源响应的预测精度高于OE模型。

所以在不同的系统下应选择合适的建模方法来找到更合适的模型。

同时，系统建模后能利用Matlab来对所建的模型进行仿真，分析模型的效果，所以在以后的学习中我们可以借助Matlab 来检验的我们设计的模型的合适性。

在系统辨识学习的课上，我们学到了很多以前从未接触到的思想和处理问题的方法，接触到了白噪声、有色噪声，最小二乘法、增广最小二乘法、广义最小二乘法、梯度校正参数估计、极大似然估计，这一步一步的变化让我们也看到了系统辨识逐渐的发展，以及后来与自适应和神经网络的结合，各种学科之间的联系以及相互结合更好的处理问题。

学习系统辨识这门课后，让我学习相关的知识更加容易，例如：新息那一块的知识，当我看卡尔曼滤波时就变得很好理解，利用递推法，一步一步推导。

所以系统辨识是一门很有用的学科，随着以后接触的东西越来越多，这其中的知识也会变得越来越有用。

随着科技的发展，系统辨识会结合其他学科，在更多的领域有更大的作用，建模的方法也会越来越多，建出的模型也会越来越接近真实的系统。

所以，我们应该更好的掌握系统辨识的思想，更好的应用这种方法。