系统辨识答案
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
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
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
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
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
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
系统辨识例题
系统辨识例题注:红色标出的不太确定;本答案仅供参考。
一、选择题1、下面哪个数学模型属于非参数型(D )A 、微分方程B 、状态方程C 、传递函数D 、脉冲响应函数2、频谱覆盖宽、能量均匀分布是下面哪种信号的特点(D )A 、脉冲信号B 、斜坡信号C 、阶跃信号D 、白噪声信号3、下面哪些辨识方法属于系统辨识的经典方法(ACD )A 、阶跃响应法B 、最小二乘法C 、相关分析法D 、频率响应法二、填空题1. SISO 系统的结构辨识可归结为确定(阶次)和(时滞)2. 通过图解和(计算)方法,可以由阶跃响应求出系统的传递函数3. 多变量线性系统辨识的步骤是()4. (渐消记忆)的最小二乘递归算法和(限定记忆)的最小二乘递推算法都成为实时辨识算法5. 遗传算法中变异概率选取的原则是(变异概率一般取得比较小,在0.001~0.01之间,变异概率越大,搜索到全局最优的可能性越大,但收敛速度越慢)6. 模型中含有色噪声时可采用(增广最小二乘)和(广义最小二乘)辨识方法7. 最小二乘法是(极大似然法)和(预报误差法)的特殊情况三、判断题1. 机理建模这种建模方法也称为“白箱问题”。
(√)2. 频率响应模型属于参数模型。
(×)非参数3. 白噪声和M 序列是两个完全相同的概念。
(×)不完全相同4. 渐消记忆法适合有记忆系统。
(×)5. 增长记忆估计算法给予新、老数据相同的信度。
(√)6. 最小二乘法考虑参数估计过程中所处理的各类数据的概率统计特性。
(×)基本不考虑7. 系统辨识不需要知道系统的阶次。
(×)需要8. 自变量是可控变量时,对变量间关系的分析称为回归分析。
(√)9. Newton-Raphson 方法就是随机梯度法。
(×)10. 模型验证属于系统辨识的基本内容。
(√)四、简答题1. 举例说明数学模型的定义及用途。
数学模型:以数学结构的形式反映过程的行为特性(代数方程、微分方程、差分方程、状态方程等参数模型)。
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()。
系统辨识例题
注:红色标出的不太确定;本答案仅供参考。
一、选择题1、 下面哪个数学模型属于非参数型(D )A 、微分方程B 、状态方程C 、传递函数D 、脉冲响应函数2、 频谱覆盖宽、能量均匀分布是下面哪种信号的特点(D )A 、脉冲信号B 、斜坡信号C 、阶跃信号D 、白噪声信号3、 下面哪些辨识方法属于系统辨识的经典方法(ACD )A 、阶跃响应法B 、最小二乘法C 、相关分析法D 、频率响应法二、填空题1. SISO 系统的结构辨识可归结为确定(阶次)和(时滞)2. 通过图解和(计算)方法,可以由阶跃响应求出系统的传递函数3. 多变量线性系统辨识的步骤是()4. (渐消记忆)的最小二乘递归算法和(限定记忆)的最小二乘递推算法都成为实时辨识算法5. 遗传算法中变异概率选取的原则是(变异概率一般取得比较小,在0.001~0.01之间,变异概率越大,搜索到全局最优的可能性越大,但收敛速度越慢)6. 模型中含有色噪声时可采用(增广最小二乘)和(广义最小二乘)辨识方法7. 最小二乘法是(极大似然法)和(预报误差法)的特殊情况三、判断题1. 机理建模这种建模方法也称为“白箱问题”。
(√)2. 频率响应模型属于参数模型。
(×) 非参数3. 白噪声和M 序列是两个完全相同的概念。
(×) 不完全相同4. 渐消记忆法适合有记忆系统。
(×)5. 增长记忆估计算法给予新、老数据相同的信度。
(√)6. 最小二乘法考虑参数估计过程中所处理的各类数据的概率统计特性。
(×)基本不考虑7. 系统辨识不需要知道系统的阶次。
(×) 需要8. 自变量是可控变量时,对变量间关系的分析称为回归分析。
(√)9. Newton-Raphson 方法就是随机梯度法。
(×)10. 模型验证属于系统辨识的基本内容。
(√)四、简答题1. 举例说明数学模型的定义及用途。
数学模型:以数学结构的形式反映过程的行为特性(代数方程、微分方程、差分方程、状态方程等参数模型)。
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:......)()(.....)()()()()(20+++=+-+-=⎰⎰ττσστσσστστT kg kg d R g d R g R TT x T x xy T >系统的脉冲响应时间时,)(τ+T g =0,…,则)()(ττkg R xy =,与白噪声作输入信号时结果相同,但此处)(τxy R 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 ⎰∞∞--=σστστd R g R x xy )()()( =)()(ττx R g *当系统输出端存在干扰)(t n 时,系统的实际输出y(t)与输入x(t)的互相关函数为:)()()]}()()[({)}()({)(ττττττxn xz xy R R t n t z t x E t y t x E R +=+++=+=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)(τxn R =0,所以)()(ττxz xy R R =,即实际输入与输出(带测量噪声)的互相关函数)(τxy R 等价于真实输入与输出(不带测量噪声)的互相关函数)(τxz 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:)()()()()()(00τσστδσσστστkg d k g d R g R x xy =-=-=⎰⎰∞∞ 可见,当输入为自噪声时,系统输入输出的互相关函数)(τxy R 与脉冲响应函数)(τg 成正比。
合工大系统辨识作业及答案
系统辨识作业一、 简答题1 系统辨识的实验设计应包含那些内容?答:系统辨识实验设计应包含选择实验信号、采样时间、辨识时间、输入输出数据长度等。
2 判断下列是否为一个正确周期的M 序列,并说明原因。
111100010011011 111100********* 答:不是M 序列,因为M 序列的周期为15,由M 序列的性质知序列中“1”的状态应为8个 而第一个中有9个 所以不是M 序列3证明加权最小二乘估计的无偏性。
证明:加权最小二乘估计的解为:()1ˆTT WLSW WY θ-=ΦΦΦ 其中Φ为输入矩阵 W 为加权矩阵 Y 为输出矩阵。
()()11ˆ()T T WLS T TE W W e E W We θθθ--⎡⎤⎡⎤=ΦΦΦΦ+⎣⎦⎢⎥⎣⎦⎡⎤=+ΦΦΦ⎢⎥⎣⎦由于Φ与e 统计独立,则()10T T E W We -⎡⎤ΦΦΦ=⎢⎥⎣⎦即ˆWLS E θθ⎡⎤=⎣⎦所以ˆWLSθ是无偏估计量,命题得证。
4比较最小二乘法、广义最小二乘法和辅助变量法的优缺点。
答:基本最小二乘对低噪声有效,参数估计值可很快收敛到真值,所需计算量相对较少,但对实际噪声估计有偏。
广义最小二乘法:计算量大,可能不收敛,可能是有偏估计。
但如果对噪声模型用随机逼近法,而对过程模型采取最小二乘法则获得较好形式的广义最小二乘法。
辅助变量法可以一次性完成计算,但是计算量也大,对初值选择很敏感。
5答:对于n 阶系统与n+1阶系统参数估计之间有如下的关系:对于n+1阶系统 ()()()11()()A z y k B z u k e k --=+设其待估参数为()011111...(1)(2)T T Tn n n n n b a b a b a b θθθ++⎡⎤⎡⎤+==⎣⎦⎣⎦ 则(1)()[()]T n A Y n θθθ=-Φ-Φ由题目知n=2时系统参数为准确值,则n=3时按照上式去计算,估算出的系数必远远偏离系统模型参数值。
江南大学《系统辨识》试卷部分答案
江南大学《系统辨识》实体部分参考答案一、【每小题2分,其中10小题,共计20分】假设a ,b ,c ,d ,i θ是未知参数,υ 是噪声,写出下列系统的辨识模型(1) 12()t y t t e θθ=++解答:12()()()[1,][,]t T T Te y t t t t ϕθϕθθθ⎧-+=⎪=⎨⎪=⎩(2) 12()2cos()t y t t e t θθ=+++解答:122cos()()()()[1,][,]t T T T e t y t t t t ϕθϕθθθ⎧--+=⎪=⎨⎪=⎩(3) 21231()()y t t t t θθυθ=+++解答: 2123()()()()[1,,]1[,,]T T Ty t t t t t t ϕθυϕθθθθ⎧⎪=+⎪⎪=⎨⎪⎪=⎪⎩(4) 123()()t y t t e t θθθυ=++++解答:132()()()()[1,][,]t T T T y t e t t t t ϕθυϕθθθθ⎧-=+⎪=⎨⎪=+⎩(5) ()()()()()()()()1212......n n y t ax t bx t cx t dx t x t x t t υ=+++++ 解答:()()()()()()()1212()()()[,,...,,...][,,...,,]T T n n T y t t v t t x t x t x t x t x t x t a b c d ϕθϕθ⎧=+⎪=⎨⎪=⎩二、【每个2分,共计20分】假设i θ是未知参数,υ是噪声,写出下列系统辨识模型(1) 123()1t y t t e θθθ=+++解答: 1231()()()[1,,][,,]T T t T y t t t t e ϕθϕθθθθ⎧-+=⎪=⎨⎪=⎩(2) 212()()()...()()m m y t u t u t u t t θθθυ=++++解答:212()()()()[(),(),...,()][,,...,]T T m T m y t t t t u t u t u t ϕθυϕθθθθ⎧=+⎪=⎨⎪=⎩(3) 1234()()(1)(2)(1)(2)()y t t y t y t u t u t t θθθθυ+-+-=-+-+ 解答:()12341234()()(1)(2)(1)(2)()()()()[(1),(2),1,(2)][,,,]T T T y t t y t y t u t u t t t t t y t y t u t u t θθθθυϕθυϕθθθθθ⎧=----+-+-+=+⎪=------⎨⎪=⎩(4) 123()sin(/)(1)(1)cos()()y t t y t u t t t θπθθυ+-=-++解答:()123123()()s i n (/)(1)(1)c o s ()()()()()[s i n (/)(1),1,c o s ()][,,]T T T y t t t y t u t t t t t t t y t u t t θπθθυϕθυϕπθθθθ⎧=--+-++=+⎪=---⎨⎪=⎩ (5) 2()()()2s i n (/)y t a u t b u t c d t π=+++ 解答: 2()()()[(),(),2,sin(/)][,,,]T T T y t t t u t u t t a b c d ϕθϕπθ⎧=⎪=⎨⎪=⎩三、【10分】设三阶MA 模型为)3()2()1()()(321-+-+-+=t v d t v d t v d t v t y .其中,{})(t y 是已知观测序列,{})(t v 是零均值方差为2σ的随机白噪声序列,其便是模型为 )()()(t v t t y T +=θϕ● 写出信息向量)(t ϕ和参数向量θ的表达式● 写出θ的递推增广最小二乘(RELS)辨识算法.解答:)()()(t v t t y T +=θϕ)]3(),2(),1([)(---=t v t v t v t T θ其中,T d d d ],,[321=θ算法如下:的RELS R -θ)(ˆ)1()(ˆ1)(ˆ)1()(ˆ)()()]1(ˆ)(ˆ)()[()1(ˆ)(ˆt t p t t t p t t p t L t t t y t L t t T ϕϕϕϕθϕθθ-+-==--+-= )1()](ˆ)(1[)(--=t p t t L t p T ϕI p p 0)0(= T T T T d d d t t t t t v t v t v t v t ]ˆˆˆ[)(ˆ)(ˆ)(ˆ)()()]3(ˆ),2(ˆ),1(ˆ[)(ˆ321=-=---=θθϕϕϕ四、证明题【每小题2分,其中5题,计10分】设n T R t t t t t p t p ∈≥+-=--)(,0)(),()()1()(211ϕϕϕϕ格式阶单位矩阵,证明以下为n I I p n n ,)0(=(1))()(t t p ϕ )()1()(1)()1(t t p t t t p T ϕϕϕ-+-= (2)1)()()(≤t t p t T ϕϕ(3) )()()(1)()()()1(t t p t t t p t t p T ϕϕϕϕ-=-(4) )()1()()()()()(2t t p t p t t t p t T T ϕϕϕϕ-≤(5) 1()()(1)()T t t p t p t t ϕϕ∞=-∞∑(6) )()()(21t t p t t T ϕϕ∑∞=∞解答:(1)11()(1)()()T p t p t t t ϕϕ--=-+ ①对①式用矩阵求逆引理,则1()(1)(1)()[()(1)()]()(1)T T p t p t p t t I t p t t t p t ϕϕϕϕ-=---+-- 对上式两边乘)(t ϕ,可得)()1()(1)()1()()()1()()1()()(t t p t t t p t t t p t t p t t p T T ϕϕϕϕϕϕϕ-+----= )()1()(1)()1(t t p t t t p T ϕϕϕ-+-= (2)∵ )()1()(1)()1()()(t t p t t t p t t p T ϕϕϕϕ-+-=② 对②式左乘)(t Tϕ,可得)()1()(1)()1()()()()(t t p t t t p t t t p t T T T ϕϕϕϕϕϕ-+-= ∵0)1(≥-t p ∴1)()()(≤t t p t T ϕϕ (3)对①右乘p(t),可得)()()()()1(1t p t t t p t p IT ϕϕ+-=- ③ 面对③左乘)1(-t p ,右乘)(t ϕ,则有)()()()()1()()()()1(t t p t t t p t t p t t p T ϕϕϕϕϕ-+=- ④ 移向合并,可得)()()(1)()()()1(t t p t t t p t t p T ϕϕϕϕ-=-④对②式左乘(t)p(t) T ϕ,得)()1()(1)()1()()()()()(t t p t t t p t p t t t p t T T TT ϕϕϕϕϕϕ-+-= ∵0)1(≥-t p ∴0)()1()(≥-t t p t T ϕϕ∴)()1()()()()()(t t p t p t t t p t T T T ϕϕϕϕ-≤(1)()(1)()()()T p t p t p t t t p t ϕϕ-=+-∴11(1)()()()()(0)()T t i p t t t p t p t p p ϕϕ∞∞==-=∆=-∞∑∑ ⑤ ∵)()()1()(11t t t p t p T ϕϕ+-=--11(0)()()T t p t t ϕϕ∞-==+∑ ∴)0()(11--≥p t p∴when ∞→t ,则)()0(∞≥p p对⑤式两队取迹,得)]()1()()([)]()()()1([11t t p t p t tr t p t t t p tr i T i Tϕϕϕϕ-=-∑∑∞=∞= [(0)()]tr p p =-∞∞⑥∵)()1()()()()()(t t p t p t t t p t T T T ϕϕϕϕ-≤∴∞-≤∑∑∞=∞= )]()1()()()()()(11t t p t p t t t p t t T T t T ϕϕϕϕ。
- 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: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。