系统辨识试卷A
《系统安全评价与预测》A卷答案与评分标准
《系统安全评价与预测》试卷(A卷)答案与评分标准总得分阅卷人复查人考试方式本试卷考试分数占学生总评成绩比例闭卷70%分数10得分一、选择题(每小题2分)1．a和b为某集合中的两个子集，根据布尔代数的运算定律，布尔代数式(a+ab)的简化式为 A 。
A．a B．ab C．b D．b+a2．根据经验和直观判断能力对生产系统的工艺、设备、设施、环境、人员和管理等方面的状况进行的分析评价是 B 。
A．定量安全评价方法B．定性安全评价方法C．系统安全评价方法D．概率风险评价方法3．系统的安全性评价是运用 A 的方法对系统中存在的危险进行评价和预测。
A．系统工程B．人机工程C．运筹学D．统计学4．主要用于预测事故发展趋势，调查事故发生、发展过程，找出事故隐患，研究事故预防的最佳对策的安全分析方法是 C 。
A．安全检查表法B．系统危险性分析法C．事件树分析法 D．作业安全分析法5．日本劳动省的《化工厂安全评价指南》，是一种 D 的安全评价方法。
A．半定量B．纯定性C．完全定量D．定性和定量相结合分数15得分二、多项选择题(每小题3分，每题至少两个或两个以上答案)1. 安全评价基本原理有BCD 。
A、因果对应原理；B、相关性原理；C、类推性原理；D、惯性原理2. 下列哪些属于定量分析的方法CD 。
A.预先危险性分析法B.安全检查表法C.日本六阶段安全评价法D.美国道化学公司的火灾、爆炸指数法3．在开展危害辨识、风险评价和风险控制策划时，应考虑的因素有ABE 。
A．常规活动和非常规活动B．作业场所内所有物料、装置和设备C．政府部门的支持程度D．当地经济承受力E．进入作业场所所有人员的活动4．下列评价方法中，那些属于可靠性评价法BC 。
A．道化学评价法B．ETA C．FTA D．安全检查表5．以下各种评价方法中不属于定量评价方法的有AB 。
A．故障类型及影响分析B．事故树分析C．作业条件危险性评价法D．危险指数评价法分数10得分二、填空题(每空1分)1．系统是由两个以上相互作用和相互依赖的部分组成的具有特定功能的有机整体。
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。
期末考试试题集-自动控制原理(含完整答案)
期末考试—复习重点自动控制原理1一、单项选择题(每小题1分,共20分)1。
系统和输入已知,求输出并对动态特性进行研究,称为（ )A 。
系统综合B 。
系统辨识C 。
系统分析 D.系统设计2. 惯性环节和积分环节的频率特性在( ）上相等.A 。
幅频特性的斜率 B.最小幅值 C 。
相位变化率 D 。
穿越频率3. 通过测量输出量,产生一个与输出信号存在确定函数比例关系值的元件称为（ )A.比较元件B.给定元件C.反馈元件D.放大元件4. ω从0变化到+∞时，延迟环节频率特性极坐标图为( ）A.圆B.半圆 C 。
椭圆 D 。
双曲线5。
当忽略电动机的电枢电感后，以电动机的转速为输出变量,电枢电压为输入变量时,电动机可看作一个（ )A 。
比例环节 B.微分环节 C.积分环节 D 。
惯性环节6。
若系统的开环传 递函数为2)(5 10+s s ，则它的开环增益为（ ) A.1 B 。
2 C.5 D.107. 二阶系统的传递函数52 5)(2++=s s s G ，则该系统是（ ） A 。
临界阻尼系统 B 。
欠阻尼系统 C.过阻尼系统 D.零阻尼系统8。
若保持二阶系统的ζ不变，提高ωn ,则可以（ ）A 。
提高上升时间和峰值时间 B.减少上升时间和峰值时间C 。
提高上升时间和调整时间 D.减少上升时间和超调量9。
一阶微分环节Ts s G +=1)(，当频率T1=ω时，则相频特性)(ωj G ∠为（ ) A.45° B.—45° C 。
90° D 。
—90°10。
最小相位系统的开环增益越大，其（ )A.振荡次数越多 B 。
稳定裕量越大C 。
相位变化越小D 。
稳态误差越小11。
设系统的特征方程为()0516178234=++++=s s s s s D ，则此系统 ( ）A.稳定B.临界稳定 C 。
不稳定 D.稳定性不确定。
12。
某单位反馈系统的开环传递函数为：())5)(1(++=s s s k s G ，当k =（ ）时，闭环系统临界稳定。
系统辨识习题解答（最新）
系统辨识习题解答1-14、若一个过程的输入、输出关系可以用MA 模型描述，请将该过程的输入输出模型写成最小二乘格式。
提示：①提示：① MA MA 模型z k D z u k ()()()=-1②定义tt q )](,),1(),([)(,],,,[10n k u k u k u k d d d n --== h 解：因为MA 模型z k D z u k ()()()=-1，其中n n z d z d d z D ---+++= 1101)(，从而)()1()()(10n k u d k u d k u d k z n -++-+= 所以当定义t t q )](,),1(),([)(,],,,[10n k u k u k u k d d d n --== h ，则有最小二乘格式：)()()()()(0k e k h k e k h d k z ni i i +=+=å=q t，其中e(k)e(k)是误差项。
是误差项。
2-3、设)}({k e 是一个平稳的有色噪声序列，为了考虑这种噪声对辨识的影响，需要用一种模型来描述它。
请解释如何用白噪声和表示定理把)(k e 表示成AR 模型、MA 模型和ARMA 模型。
解：根据表示定理，在一定条件下，有色噪声e(k)可以看成是由白噪声v(k)驱动的线性环节的输出，该线性环节称为成形滤波器，其脉冲传递函数可写成)()()(111---=z C z D z H 即)()()()(11k v z D k e z C --=其中cc n n zc z c z C ---+++= 1111)(dd nn zd z d z D ---+++= 1111)(根据其结构，噪声模型可区分为以下三类：根据其结构，噪声模型可区分为以下三类：自回归模型（自回归模型（AR AR 模型）： )()()(1k v k e z C =- 平均滑动模型（平均滑动模型（MA MA 模型）： )()()(1k v z D k e -= 自回归平均滑去模型（自回归平均滑去模型（ARMA ARMA 模型）： )()()()(11k v z D k e z C --=3－4、根据离散Wiener-Hopf 方程，证明å-=D -D +=10221P N j P P P Mz j g N t a k g N t a N k R )(ˆ)(ˆ)()(解：由于M 序列是循环周期为t N P D ，12-=PP N ，t D 为M 序列移位脉冲周期，自相关函数近似于d 函数，a 为M 序列的幅度。
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。
系统辨识大作业加学习心得
论文系统辨识姿态角控制1.系统辨识概述辨识、状态估计和控制理论是现代控制理论三个相互渗透的领域。
辨识和状态估计离不开控制理论的支持，控制理论的应用又几乎不能没有辨识和状态估计技术。
随着控制过程复杂性的提高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。
然而在大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，因此利用控制理论去解决实际问题时，首先需要建立被控对象的数学模型。
系统辨识正是适应这一需要而形成的，他是现代控制理论中一个很活跃的分支。
社会科学和自然科学领域已经投入相当多的人力去观察、研究有关的系统辨识问题。
系统辨识是建模的一种方法，不同的学科领域，对应着不同的数学模型。
从某种意义上来说，不同学科的发展过程就是建立他的数学模型的过程。
辨识问题可以归结为用一个模型来表示可观系统（或将要改造的系统）本质特征的一种演算，并用这个模型吧对客观系统的理解表示成有用的形式。
当然可以刻有另外的描述，辨识有三个要素：数据，模型类和准则。
辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。
总而言之，辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际过程的静态或动态特性。
通过辨识建立数学模型的目的是估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出的未来演变，以及设计控制器。
对系统进行分析的主要问题是根据输入时间函数和系统的特性来确定输出信号。
对系统进行控制的主要问题是根据系统的特性设计控制输入，使输出满足预先规定的要求。
而系统辨识所研究的问题恰好是这些问题的逆问题。
通常，预先给定一个模型类{}M（即给定一类已知结构的模型），一类输入信号u和等价准则(,)JLyyM（一般情况下，J是误差函数，是过程输出y和模型输出yM的一个泛函）；然后选择是误差函数J达到最小的模型，作为辨识所要求的结果。
MSA考试试题
MSA考试试题MSA考试试题库一、填空题：1.测量系统的通常被称为测量设备的变差。
2.测量系统的通常被称为评价人的变差。
3.数据的类型分为数据和数据。
4.MSA评审的二个阶段分别为阶段和阶段。
5.评价测量数据的质量，即评价随机现象的结果，应以在条件下运行的某一测量系统得到的测量结果的统计特性来确定。
6.如果一个测量系统用于过程控制，其变异性通常与进行比较，如果用于产品检验，其变异性通常与进行比较。
二、选择填空:1：分辨力和解析度是： ( )A最小的可读单位的术语B使用设备由过程定义的变化特性的所有名称C与所进行的测量有比例关系的仪器的所有最大测量单位D也叫做“偏倚”2：当再现性大于重复性的时候，原因可能是：( )A 仪器需要维护B 评价者需要更好的培训C 零件变差中有过度D 以上答案都正确3．不确定性是：( )A由量具重复性与再现性决定B对于测量值，包括实际值的一组估计值范围C由方差决定 D与某一量具的偏差测量相同4. GRR是对于重复性和再现性的波动测量系统，以下哪项是正确的？( )A 量具的重复性和再现性=重复性+再现性B 量具的重复性和再现性=（重复性）2+（再现性）2C（量具的重复性和再现性）2=（重复性）2+（再现性）2 D以上都错5.属于系统的随机误差的变差是（）：A偏倚B线性C重复性D精确度6．测量过程的分别有( )五个输入要素，输出则为测量值。
A.操作者B.量具C.产品D.测量方法E.操作程序F.环境7．测量系统的宽度误差包括( )A.偏倚B.稳定性C.线性D.重复性E.再现性8．以下哪种原因可能导致测量结果的变差（）A.零件的变差B.测量人内部变差C.测量仪器的变差D.测量环境导致的变差9．以下属于测量设备的计量特性的有（）A.分辨力B.最大允许误差C.测量范围D.重量E.长度10．在测量系统分析中，评价一个人使用一件测量设备，对同一零件的某一个特性进行多次测量下的变差，为（）A.重复性B.偏倚C.稳定性D.线性E.再现性11．以下描述错误的是（）A.零件的真值永远无法得到，只能无限与之接近B.数显卡尺的准确度是0.02mm；C.产品控制理论关注的是零件是否在指定的范围内D.过程控制理论关注的是过程变差是否稳定并可接受12．重复性是由( )个评价人，采用同一种测量仪器，多次测量同一零件的同一特性时获得的测量变差。
系统辨识考试答案
系统辨识考试答案2.描述用随机信号测试线性系统的动态响应的原理与方法。
用伪随机噪声作为输入测试系统的动态响应：伪随机信号的自相关函数是周期为T 的周期函数，其互相关函数为：R x y( ) T 0 g( )R ( )d x 2T g( )RT x( ) d ..... kg( )kg(T) ...... T ＞系统的脉冲响应时间时， g(T ) =0，? ，则R ( ) kg( ) xy ，与白噪声作输入信号时结果相同，但此处R xy ( ) 的计算只需在0～T 一个周期的时间内进行。
这就是采用伪随机信号测试系统动态特性的优越性。
用随机信号测试线性系统的动态响应的原理是相关滤波原理利用随机信号测试线性系统的动态特性的理论基础是维纳一霍夫积分方程，即R xy ( ) g( )R x ( )d= g ( ) R x ( )当系统输出端存在干扰n (t ) 时，系统的实际输出 y(t)与输入 x(t)的互相关函数为：R xy ( ) E{ x(t) y(t )} E{ x(t )[ z(t ) n(t ) ] } R xz ( ) R xn ( ) 为了测试系统的动态响应特性，选用与测量噪声 n(t)无关的激励信号 x(t)，即 x(t)与 n(t)无关，故其互相关函数 R xn ( ) =0，所以 R xy ( ) R xz ( ) ，即实际输入与输出 (带测量噪声 )的互相关函数 R ( ) 等价于真实输入与输出 (不带测量噪声 )xy的互相关函数 R ( ) 。
这就是相关滤波原理。
利用相关滤波原理测试测试线性系xz 统的动态响应的突出优点是抗干扰能力强。
用白噪声作为输入测试系统的动态响应：维纳一霍夫积分方程变为：R xy ( ) g ( )R x 0 ( )d g ( )k ( )dkg( ) 0可见，当输入为自噪声时，系统输入输出的互相关函数 R ( ) 与脉冲响应函xy 数 g ( )成正比。
(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
自动控制原理期末试卷与答案
自动控制原理期末试卷与答案自动控制原理1一、单项选择题（每小题1分，共20分）1. 系统和输入已知，求输出并对动态特性进行研究，称为（c ）A.系统综合B.系统辨识C.系统分析D.系统设计2. 惯性环节和积分环节的频率特性在（d）上相等。
A.幅频特性的斜率B.最小幅值C.相位变化率D.穿越频率3. 通过测量输出量，产生一个与输出信号存在确定函数比例关系值的元件称为（d ）A.比较元件B.给定元件C.反馈元件D.放大元件4. ω从0变化到+∞时，延迟环节频率特性极坐标图为（a ）A.圆B.半圆C.椭圆D.双曲线5. 当忽略电动机的电枢电感后，以电动机的转速为输出变量，电枢电压为输入变量时，电动机可看作一个（ d ）A.比例环节B.微分环节C.积分环节D.惯性环节6. 若系统的开环传递函数为10，则它的开环增益为（c ）s(5s?2)A.1B.2C.5D.107. 二阶系统的传递函数G(s)?5，则该系统是（b ）2 s?2s?5A.临界阻尼系统B.欠阻尼系统C.过阻尼系统D.零阻尼系统8. 若保持二阶系统的ζ不变，提高ωn，则可以（b ）A.提高上升时间和峰值时间B.减少上升时间和峰值时间C.提高上升时间和调整时间D.减少上升时间和超调量9. 一阶微分环节G(s)?1?Ts，当频率??1时，则相频特性?G(j?)为（a ）TA.45°B.-45°C.90°D.-90°10.最小相位系统的开环增益越大，其（d ）A.振荡次数越多B.稳定裕量越大C.相位变化越小D.稳态误差越小11.设系统的特征方程为D?s??s4?8s3?17s2?16s?5?0，则此系统（）A.稳定B.临界稳定C.不稳定D.稳定性不确定。
12.某单位反馈系统的开环传递函数为：G?s??k，当k=（）时，闭环系统s(s?1)(s?5)临界稳定。
A.10B.20C.30D.4013.设系统的特征方程为D?s??3s4?10s3?5s2?s?2?0，则此系统中包含正实部特征的个数有（）A.0B.1C.2D.314.单位反馈系统开环传递函数为G?s??差为（）5，当输入为单位阶跃时，则其位置误2s?6s?sA.2B.0.2C.0.5D.0.0515.若已知某串联校正装置的传递函数为Gc(s)?s?1，则它是一种（）10s?1A.反馈校正B.相位超前校正C.相位滞后—超前校正D.相位滞后校正16.稳态误差ess与误差信号E(s)的函数关系为（）A.ess?limE(s)B.ess?limsE(s) s?0s?0C.ess?limE(s)D.ess?limsE(s) s??s??17.在对控制系统稳态精度无明确要求时，为提高系统的稳定性，最方便的是（）A.减小增益B.超前校正C.滞后校正D.滞后-超前18.相位超前校正装置的奈氏曲线为（）A.圆B.上半圆C.下半圆D.45°弧线19.开环传递函数为G(s)H(s)=K,则实轴上的根轨迹为（）3s(s?3)A.(-3，∞)B.(0，∞)C.(-∞，-3)D.(-3，0)20.在直流电动机调速系统中，霍尔传感器是用作（）反馈的传感器。
系统辨识考试汇总
基于人工神经网络的二阶系统辨识摘要：BP神经网络是误差反向传播神经网络的简称，提供了一个处理非线v k的二阶系统，提出了改进的BP神经网络性问题的模型。
本文针对带有噪声()对二阶系统的辨识方法，以达到对系统的精确辨识；通过仿真实验数据可得，神经网络的输出与被辨识系统输出之间的误差很小（当k>=8时，error<0.1%）；首先介绍了人工神经网络的系统辨识方面的发展与研究现状，然后介绍常规BP算法和改进的BP算法，最后通过一个具体的二阶系统的实例充分证明了改进BP 神经网络具有的良好辨识效果，实用性强。
关键字：BP神经网络；系统辨识；二阶非线性系统Second-order system identification based on artificial neuralnetworksWeiLu(College of Electrical and Control Engineering, Xi’an University of Science andTechnology，Xi’an 710054,China)Abstract：BP neural network is the abbreviation of erroneous reverse transmissionneural network, which provides a model of dealing with nonlinear problems.In thispaper, the second-order system with noise, and puts forward the improved BP neuralnetwork to second order system modeling method. In order to achieve an accurateidentification of the system.Through the simulation experiment the error between theoutput of neural network and the output of identification system is very small(Theerror<0.1% when k>=8). First, introduced the artificial neural network systemidentification aspects of development and research,Then, introduced the conventionalBP algorithm and improved BP algorithm,Finally, Through an example of a specificsecond-order system fully proved that the improved BP neural network has goodrecognition results and practical.Key words：BP neural network；System Identification；Second-order nonlinear system 一绪论在自然科学和社会科学的各个领域中，越来越多需要辨识系统模型的问题已广泛引起人们的重视，很多学者在研究有关线性和非线性的辨识问题。
系统辨识作业及答案解析
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. 考虑单输入单输岀随机系统，状态空间模型yW = [1小•伙)+咻)转换成ARMA 模型。
答：ARMA 模型的特点是u(k)=O.1 0x(k + 1) =x 伙).2 0. y 伙)=[1 \]x(k) + v(k)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加法和匚试说明:(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 1111(1) 11111(9)01110 (17)00111(25)10011(2) 01111 (10)00111 (18)10011(26)01001(3) 00111 (11)10011 (19)01001(27)10100(4) 10011 (12)01001(20)10100(28)11010(5) 01001 (13)10100(21)11010(29)00111(6) 10100 (14)11010(22)11101(30)01110(7) 11010 (15)11101 (23)01110(31)00111(8) 11101 (16)01110(24)00111(32)10011其输出序列为：1 1 1 1 1 0 0 1 0 1(2) 不是M 序列⑶第4级与第3级模2相加结果(1) 11111(9)11001 (17)01111(25)01100皿+沪20 。
心)+ "伙)(2)01111 (10)01100(18)00111(26)10110(3)00111 (11)10110 (19)00011(27)01011(4)00011 (12)01011(20)10001(28)10101(5)10001 (13)10101(21)01000(29)11010(6)01000 (14)11010(22)00100(30)11101(7)00100 (15)11101 (23)10010(31)11110(8)10010 (16)11110(24)11001(32)01111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。
系统辨识与建模智慧树知到课后章节答案2023年下湘潭大学
系统辨识与建模智慧树知到课后章节答案2023年下湘潭大学湘潭大学第一章测试1. A system is a unity composed of various parts that are interconnectedconstrained and interacted with each other and have certain overallfunctions and comprehensive behaviors.（）A:对 B:错答案:对2.Which one is not belong to modern control theory system?（）.A:System identification B:Modern control theory C:State estimationD:Automatic control答案:Automatic control3.建立数学模型的方法可大体分为：（）.A:观测法 B:理论分析法 C:测试法 D:实验法答案:理论分析法;测试法4.下列哪些属于非参数模型?（）A:权序列模型 B:输入输出模型 C:状态空间模型 D:脉冲响应模型答案:权序列模型;脉冲响应模型5.针对水箱进行机理建模时，我们应该凭借哪种关系建立公式？（）.A:水箱流入量和流出量之差为流入水流量的增量 B:水箱流入量和流出量之差为液位的增量 C:水箱流入量和流出量之差为液体存储量的变化率 D:水箱流入量和流出量之差为流出水流量的增量答案:水箱流入量和流出量之差为液体存储量的变化率第二章测试1.下面哪些内容不属于系统辨识的基本内容？（）A:观测数据 B:模型结构辨识 C:模型验证 D:模型参数辨识答案:观测数据2.白噪声过程没有“记忆性”，也就是说t时刻的数值与t时刻以前的值无关，也不影响t时刻以后的将来值。
（）A:对 B:错答案:对3.关于白噪声的均匀分布计算问题，将产生的（0，1）均匀分布的随机数通通减去0.5，然后乘以存储器f中预置的系数，这里取f=2，从而得到新的分布（）。
自动识别系统考核试卷
B.传感器
C.数据处理单元
D.显示器
15.以下哪些技术可以用于自动识别系统中的语音识别？（）
A.隐马尔可夫模型
B.深度神经网络
C.麦克风阵列
D.语音合成
16.以下哪些因素可能会影响自动识别系统的可靠性？（）
A.硬件故障
B.软件错误
C.网络延迟
D.人员操作失误
17.以下哪些是自动识别系统在交通领域的应用？（）
8. A
9. B
10. A
11. A
12. C
13. B
14. D
15. A
16. D
17. A
18. D
19. C
20. A
二、多选题
1. ABCD
2. ABC
3. ABCD
4. ABC
5. ABC
6. ABCD
7. ABCD
8. ABCD
9. ABCD
10. ABCD
11. A
12. ABC
13. ABCD
A.电子警察
B.车牌识别
C.交通事故分析
D.实时路况监控
18.以下哪些技术可以用于自动识别系统中的视频分析？（）
A.运动检测
B.轨迹跟踪
C.行为识别
D.面部识别
19.以下哪些方法可以用于自动识别系统中的异常检测？（）
A.机器学习
B.深度学习
C.数据挖掘
D.人工视觉检查
20.以下哪些是自动识别系统在安全监控领域的应用？（）
14. ABCD
15. ABC
16. ABCD
17. ABCD
18. ABCD
19. ABC
20. ABCD
智能交通系统试卷-A卷参考答案及评分标准(最新整理)
安徽三联学院2012——2013学年度第二学期《智能交通系统原理与技术》课程期末考试(A)卷参考答案及评分标准该试卷使用范围：2011年级交通安全与智能监控专业一、名词解释：给出相应英文全称，并解释其内涵。
（每小题2分，共10分）1. VICS——Vehicle Information and Communication System ，车辆信息与通信系统2. GPS——Global Positioning System ，全球定位系统3. ITS——Intelligent Transport System ，智能交通（运输）系统4. ETC——Electronic Toll Collection ，电子不停车收费系统5. DMB——Digital Multimedia Broadcasting ，数字多媒体广播二、辨析题：先判断正误再做判断解释。
（每小题4分，共20分）1.现代汽车导航就是GPS 。
答：这种说法是错误的。
汽车GPS 导航系统由两部分组成：一部分由安装在汽车工的GPS 接收机和显示设备组成（里面还有电子地图等软件）；另一部分由计算机控制中心组成，两部分通过定位卫星进行联系。
2.ITS 中的先进交通管理的内容是交叉路口的信号管理。
答：这种说法是错误的。
先进的交通管理系统，内容包括现代化交通控制中心、先进的交通监视服务及规范、完整的道路指示信息，使车辆得到良好的服务。
3.实行公交信号优先控制是指公交车行驶到路口时，可得到延长绿灯，缩短红灯的控制。
答：这种说法是正确的。
当公交车辆行驶至路口处，绿灯要变红灯的时候，若智能公交信号优先系统会适当延长绿灯时间，让车辆顺利通过；而当路口为红灯时，智能系统会适度缩短红灯时间，减少公交车在路口的等候时间；从而部分解决并改善了由于城市交通拥挤的而引发的系列公交问题。
4.我国的交通基础设施薄弱，现在还没有发展ITS 的必要性。
答：这种说法是错误的。
中国道路交通基础设施薄弱，人多路少，因此造成交通拥挤十分严重，给人们的出行带来了极大的困难。
安全风险辨识评估试题
安全风险辨识评估试题
下面是一些安全风险辨识评估试题的例子：
1. 你是否知道公司的网络系统是否经过安全测试和评估？
2. 是否有明确的安全策略和政策来保护公司的敏感信息？
3. 你是否知道公司的员工是否接受过网络安全意识培训？
4. 你是否知道公司是否进行过数据备份和恢复方案的制定与测试？
5. 是否有定期的漏洞扫描和安全审计来保证系统的安全性？
6. 是否允许员工使用个人设备访问公司的网络系统？
7. 是否有明确的权限管理控制策略来限制员工对敏感信息的访问？
8. 你是否知道公司是否有灾难恢复计划和测试？
9. 是否有针对外部攻击和内部威胁的监控和检测机制？
10. 你是否知道公司是否对供应商和合作伙伴的安全措施进行了审查和评估？
这些问题可以帮助辨识和评估公司在网络安全方面的风险和薄弱环节，以制定出相应的安全措施和改进计划。
同时，还可以评估员工对安全意识和操作的了解程度，以提高整体的安全防护能力。
系统辨识练习题
系统辨识练习题方法一：%递推最小二乘参数估计(RLS) clear all; close all;a=[1 -1.5 0.7]'; b=[1 0.5]'; d=3; % 对象参数na=length(a)-1; nb=length(b)-1; %na、nb 为A、B 阶次L=480; %仿真长度uk=zeros(d+nb,1); % 输入初值：uk(i)表示u(k-i)yk=zeros(na,1); % 输出初值u=randn(L,1); %输入采用白噪声序列xi=sqrt(O.1)*ra ndn (L,1); % 白噪声序列theta=[a(2:na+1);b]; % 对象参数真值thetae_仁zeros(na+nb+1,1); %thetae 初值P=10A6*eye( na+nb+1);for k=1:Lphi=[-yk;uk(d:d+nb)]; % 此处phi 为列向量y(k)=phi'*theta+xi(k); % 采集输出数据%递推最小二乘法K=P*phi/(1+phi'*P*phi);thetae(:,k)=thetae_1+K*(y(k)-phi'*thetae_1);P=(eye( na+n b+1)-K*phi')*P;%更新数据thetae_1=thetae(:,k);for i=d+nb:-1:2uk(i)=uk(i-1);enduk(1)=u(k);for i=n a:-1:2yk(i)=yk(i-1);endyk(1)=y(k);endplot([1:L],thetae); %li ne([1,L],[theta,theta]); xlabel('k'); ylabel('参数估计a、b');lege nd('a_1','a_2','b_0','b_1'); axis([0 L -2 2]);方法三：%遗忘因子递推最小二乘参数估计(FFRLS) clear all; close all;a=[1 -1.5 0.7]'; b=[1 0.5]'; d=3; % 对象参数na=length(a)-1; nb=length(b)-1; %na、nb 为A、B 阶次L=1000; %仿真长度uk=zeros(d+nb,1); % 输入初值：uk(i)表示u(k-i) yk=zeros(na,1); % 输出初值u=randn(L,1); %输入采用白噪声序列xi=sqrt(O.1)*ra ndn (L,1); % 白噪声序列thetae_仁zeros(na+nb+1,1); %thetae 初值P=10A6*eye( na+nb+1);lambda=0.98; % 遗忘因子范围[0.9 1]for k=1:Lif k==501a=[1 -1 0.4]';b=[1.5 0.2]'; % 对象参数突变endtheta(:,k)=[a(2:na+1);b]; % 对象参数真值phi=[-yk;uk(d:d+nb)];y(k)=phi'*theta(:,k)+xi(k); % 采集输出数据%遗忘因子递推最小二乘法K=P*phi/(lambda+phi'*P*phi);thetae(:,k)=thetae_1+K*(y(k)-phi'*thetae_1);P=(eye( na+nb+1)-K*phi')*P/lambda;%更新数据thetae_仁thetae(:,k);for i=d+nb:-1:2uk(i)=uk(i-1);enduk(1)=u(k);for i=n a:-1:2yk(i)=yk(i-1);endyk(1)=y(k);endsubplot(1,2,1)plot([1:L],thetae(1:na,:)); hold on; plot([1:L],theta(1:na,:),'k:'); xlabel('k'); ylabel('参数估计a');lege nd('a_1','a_2'); axis([0 L -2 2]);subplot(1,2,2)plot([1:L],thetae(na+1:na+nb+1,:)); hold on; plot([1:L],theta(na+1:na+nb+1,:),'k:'); xlabel('k'); ylabel('参数估计b');legend('b_0','b_1'); axis([0 L -0.5 2]);方法四：%递推极大似然参数估计〔RML〕clear all; close all;a=[1 -1.5 0.7]'; b=[1 0.5]'; c=[1 -0.5]'; d=1; % 对象参数na=length(a)-1; nb=length(b)-1; nc=length(c)-1; %na 、nb、nc 为A、B、C 阶次nn=max(na,nc); % 用于yf(k-i)、uf(k-i)更新L=480; %仿真长度uk=zeros(d+nb,1); % 输入初值：uk(i)表示u(k-i) yk=zeros(na,1); % 输出初值xik=zeros(nc,1); % 白噪声初值xiek=zeros(nc,1); %白噪声估计初值yfk=zeros (nn ,1); %yf(k-i) ufk=zeros( nn ,1); %uf(k-i) xiefk=zeros(nc,1); % E f(k-i)u=randn(L,1); %输入采用白噪声序列xi=randn(L,1); %白噪声序列thetae_仁zeros(na+nb+1+ nc,1); % 参数估计初值P=eye( na+n b+1+ nc);for k=1:Ly(k)=-a(2: na+1)'*yk+b'*uk(d:d+nb)+c'*[xi(k);xik]; % 采集输出数据%构造向量phi=[-yk;uk(d:d+nb);xiek]; xie=y(k)-phi'*thetae_1;phif=[-yfk(1: na);ufk(d:d+nb);xiefk];%递推极大似然参数估计算法K=P*phif/(1+phif*P*phif); thetae(:,k)=thetae_1+K*xie;P=(eye( na+nb+1+ nc)-K*phif)*P;yf=y(k)-thetae( na+nb+2: na+n b+1+ nc,k)'*yfk(1: nc); %yf(k) uf=u(k)-thetae( na+nb+2: na+nb+1+ nc,k)'*ufk(1: nc); %uf(k) xief=xie-thetae( na+n b+2: na+n b+1+ nc,k)'*xiefk(1: nc); %xief(k)%更新数据thetae_1=thetae(:,k);for i=d+nb:-1:2uk(i)=uk(i-1);enduk(1)=u(k);for i=n a:-1:2yk(i)=yk(i-1);endyk(1)=y(k);for i=n c:-1:2xik(i)=xik(i-1); xiek(i)=xiek(i-1);xiefk(i)=xiefk(i-1);endxik(1)=xi(k);xiek(1)=xie;xiefk(1)=xief;for i=nn :-1:2yfk(i)=yfk(i-1);ufk(i)=ufk(i-1);endyfk(1)=yf;ufk(1)=uf;endfigure(1)plot([1:L],thetae(1: na,:),[1:L],thetae (n a+nb+2: na+nb+1+ nc,:)); xlabel('k'); ylabel('参数估计a、c');lege nd('a_1','a_2','c_1'); axis([0 L -2 2]);figure(2)plot([1:L],thetae( na+1: na+n b+1,:)); xlabel('k'); ylabel('参数估计b');legend('b_0','b_1'); axis([0 L 0 1.5])自适应控制习题(1) %可调增益MIT-MRACclear all; close all;h=0.1; L=1OO/h; %数值积分步长、仿真步数num=[1]; den=[1 1 1]; n=length(den)-1; % 对象参数kp=1; [Ap,Bp,Cp,Dp]=tf2ss(kp* num,de n); % 传递函数型转换为状态空间型km=1; [Am,Bm,Cm,Dm]=tf2ss(km*num,den); % 参考模型参数gamma=0.1; %自适应增益yrO=O; u0=0; eO=O; ymO=O; % 初值xpO=zeros( n,1); xmO=zeros( n,1); % 状态向量初值kcO=O; %可调增益初值r=0.1; yr=r*[ones(1,L/4) -ones(1,L/4) ones(1,L/4) -ones(1,L/4)]; % 输入信号for k=1:Ltime(k)=k*h;xp(:,k)=xpO+h*(Ap*xpO+Bp*uO);yp(k)=Cp*xp(:,k)+Dp*u0; % 计算ypxm(:,k)=xm0+h*(Am*xm0+Bm*yr0);ym(k)=Cm*xm(:,k)+Dm*yr0; % 计算yme(k)=ym(k)-yp(k); %e=ym-ypkc=kcO+h*gamma*eO*ymO; %MIT 自适应律u(k)=kc*yr(k); % 控制量%更新数据yr0=yr(k); u0=u(k); eO=e(k); ym0=ym(k);xp0=xp(:,k); xm0=xm(:,k);kc0=kc;endplot(time,ym,'r',time,yp,':');xlabel('t'); ylabel('y_m(t)、y_p(t)');%axis([O L*h -10 10]);lege nd('y_m(t)','y_p(t)');⑵%可调增益MIT-MRAC clear all; close all;h=0.1; L=100/h; %数值积分步长、仿真步数num=[1]; den=[1 1 1]; n=length(den)-1; % 对象参数kp=1; [Ap,Bp,Cp,Dp]=tf2ss(kp* num,de n); % 传递函数型转换为状态空间型km=1; [Am,Bm,Cm,Dm]=tf2ss(km* nu m,de n); % 参考模型参数gamma=0.1; %自适应增益yr0=0; u0=0; e0=0; ym0=0; % 初值xp0=zeros(n,1); xm0=zeros(n,1); % 状态向量初值kc0=0; %可调增益初值r=1; yr=r*[o nes(1,L/4) -on es(1,L/4) on es(1,L/4) -on es(1,L/4)]; % 输入信号for k=1:Ltime(k)=k*h;xp(:,k)=xp0+h*(Ap*xp0+Bp*u0);yp(k)=Cp*xp(:,k)+Dp*u0; % 计算ypxm(:,k)=xm0+h*(Am*xm0+Bm*yr0);ym(k)=Cm*xm(:,k)+Dm*yrO; % 计算yme(k)=ym(k)-yp(k); %e=ym-yp kc=kcO+h*gamma*eO*ymO; %MIT 自适应律u(k)=kc*yr(k); % 控制量%更新数据yr0=yr(k); u0=u(k); e0=e(k); ym0=ym(k);xp0=xp(:,k); xm0=xm(:,k);kc0=kc;endplot(time,ym,'r',time,yp,':');xlabel('t'); ylabel('y_m(t)、y_p(t)');%axis([0 L*h -10 10]);lege nd('y_m(t)','y_p(t)');⑶(1)%可调增益MIT-MRAC 归一化算法clear all; close all;h=0.1; L=100/h; %数值积分步长和仿真步数num=[1]; den=[1 1 1]; n=length(den)-1; % 对象参数kp=1; [Ap,Bp,Cp,Dp]=tf2ss(kp* num,de n); % 传递函数型转换为状态空间型km=1; [Am,Bm,Cm,Dm]=tf2ss(km* nu m,de n); % 参考模型参数gamma=0.1; %自适应增益alpha=0.01; beta=2;yr0=0; u0=0; e0=0; ym0=0; % 初值xpO=zeros(n,1); xm0=zeros(n,1); % 状态向量初值kc0=0; %可调增益初值r=0.1; yr=r*[o nes(1,L/4) -on es(1,L/4) on es(1,L/4) -on es(1,L/4)]; % 输入信号for k=1:Ltime(k)=k*h;xp(:,k)=xpO+h*(Ap*xpO+Bp*uO);yp(k)=Cp*xp(:,k)+Dp*uO; % 计算ypxm(:,k)=xmO+h*(Am*xmO+Bm*yrO); ym(k)=Cm*xm(:,k)+Dm*yr0; % 计算ym e(k)=ym(k)-yp(k); %e=ym-ypDD=e0*ym0/km/(alpha+(ym0/km)A2);if DD<-betaDD=-beta;endif DD>betaDD=beta;endkc=kcO+h*gamma*DD; %MIT 自适应律u(k)=kc*yr(k); % 控制量%更新数据yr0=yr(k); u0=u(k); e0=e(k); ym0=ym(k); xp0=xp(:,k); xm0=xm(:,k);kc0=kc;endplot(time,ym,'r',time,yp,':');xlabel('t'); ylabel('y_m(t)、y_p(t)');(2)%可调增益MIT-MRAC归一化算法clear all; close all;h=0.1; L=1OO/h; %数值积分步长和仿真步数num=[1]; den=[1 1 1]; n=le ngth(de n)-1; % 对象参数kp=1; [Ap,Bp,Cp,Dp]=tf2ss(kp* num,de n); % 传递函数型转换为状态空间型km=1; [Am,Bm,Cm,Dm]=tf2ss(km* nu m,de n); % 参考模型参数gamma=0.1; %自适应增益alpha=0.01; beta=2;yrO=O; u0=0; e0=0; ym0=0; % 初值xpO=zeros(n,1); xmO=zeros(n,1); % 状态向量初值kc0=0; %可调增益初值r=1; yr=r*[o nes(1,L/4) -on es(1,L/4) on es(1,L/4) -on es(1,L/4)]; % 输入信号for k=1:Ltime(k)=k*h;xp(:,k)=xpO+h*(Ap*xpO+Bp*uO);yp(k)=Cp*xp(:,k)+Dp*uO; % 计算ypxm(:,k)=xmO+h*(Am*xmO+Bm*yrO);ym(k)=Cm*xm(:,k)+Dm*yr0; % 计算ym e(k)=ym(k)-yp(k); %e=ym-ypDD=e0*ym0/km/(alpha+(ym0/km)A2);if DD<-betaDD=-beta;endif DD>betaDD=beta;endkc=kc0+h*gamma*DD; %MIT 自适应律u(k)=kc*yr(k); % 控制量%更新数据yr0=yr(k); u0=u(k); e0=e(k); ym0=ym(k);xp0=xp(:,k); xm0=xm(:,k);kc0=kc;endplot(time,ym,'r',time,yp,':');xlabel('t'); ylabel('y_m(t)、y_p(t)');lege nd('y_m(t)','y_p(t)');。
系统辨识复习提纲(答案版)
系统辨识复习提纲1．什么是系统？什么是系统辨识？系统泛指由一群有关联的个体组成，根据预先编排好的规则工作，能完成个别元 件不能单独完成的工作的群体。
即一群有相互关联的个体组成的集合称为系统。
系统辩识就是：利用对未知系统的试验数据或在线运行数据（输入/输出数据）以及原理和原则建立系统的（数学）模型的科学。
2．什么是宽平稳随机过程，其遍历定理内容是什么？答：在数学中，平稳随机过程或者严平稳随机过程，又称狭义平稳过程，是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程：即随机过程的统计特性不随时间的推移而变化。
这样，数学期望和方差这些参数也不随时间和位置变化。
如果平稳随机过程()t x de 各集和平均值等于相对应的时间平均值x =μx ，()()τ+t x t x =Rx ()τ,式中x 伪随机过程()t x 的时间平均值；x μ为与以为 概率密度有关的数字特征量集合均值；Rx ()τ为自相关函数。
则称()t x 是各态遍历的平稳随机过程。
3．简述噪声模型及其分类。
P130噪声模型：)()()(111---=z C z D z H分类：1) 自回归模型，简称AR 模型，其模型结构为 )()()(1k v k e z C =- 2) 平均滑动模型，简称MA 模型，其模型结构为)()()(1k v z D k e -=3)自回归平均滑动模型，简称ARMA 模型，其模型结构为))()()()(11k v z D k e z C --=4．白噪声与有色噪声的区别是什么？答：辨识所用的数据通常含有噪声。
如果这种噪声相关性较弱或者强度很小，则可近似将其视为白噪声。
白噪声过程是一种最简单的随机过程。
严格地说，它是一种均值为零、谱密度为非零常数的平稳随机过程，或者说它是由一系列不相关的随机变量组成的一种理想化随机过程。
白噪声过程没有“记忆性”，也就是说t 时刻的数值与t 时刻以前的过去值无关，也不影响t 时刻以后的将来值。
- 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、"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、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、相关分析法的主要优点是什么，其在工程中的应用有哪些方面？
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、什么是权？叙述加权在渐消记忆的最小二乘递推算法中的作用。
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。
因此要充分重视当前的数据而将“过时的”、“陈旧的”数据逐渐“遗忘”掉，这就是加权的概念。
（2分）具体的方法是，每当取得一个新的量测数据，
ρ<1）,这个加权因子体现出对老数据逐步衰就将以前的所有数据都乘上一个加权因子ρ（0<
减的作用，所以ρ也可称为衰减因子，因此在L次观测的基础上，在最小二乘准则中进行了某ρ=μ（0<μ<1），选择不同的μ就得到不同的加权效果。
μ愈小，表示将过种加权，即取2
去的数据“遗忘”得愈快。
（2分）
3、简述极大似然原理，叙述极大似然法和最小二乘法的关系。
答：极大似然法把参数估计问题化为依赖于统计信息而构造的似然函数的极大化问题，即当似然函数在某个参数值上达到极大时，就得到了有关参数的最佳估计。
（2分）似然函数是在给定的观测量z和参数θ下的观测量的联合概率密度函数，它是实验观测的样本数据z和参数θ的函数。
（2分）最小二乘法基本不考虑估计过程中所处理的各类数据的概率统计特性。
极大似然法要求有输出量的条件概率密度函数的先验知识，当噪声服从正态分布的条件下，极大似然法和最小二乘法完全等价。
（2分）
第1页，共1页。