系统辨识作业和答案
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。
自动化2011级系统辨识大作业-王万秋
系统辨识大作业班级：自动化1101班姓名：王万秋学号：11052204第一题模仿index3，搭建如下的单输入－单输出系统的差分方程)()2()1()2()1()(2121k V k u b k u b k z a k z a k z +-+-=-+-+)2()1()()(321-+-+=k v c k v c k v c k V取真值1 1.4a =、20.8a =、0.11=b 、20.5b =、10.6c =、2.12=c 和3.03=c ，输入信号采用4阶M 序列，幅值为1。
当)(k v 的均值为0，方差分别为0.1和0.5的高斯噪声时，分别用一般最小二乘法、递推最小二乘法和增广递推最小二乘法估计参数θ。
并通过对三种方法的辨识结果的分析和比较，说明上述三种参数辨识方法的优缺点。
（15分） 利用simulink 搭建的模型框图如下：一般最小二乘法程序：u=UY(1:450,1)'; %输入矩阵 z=UY(1:450,2)'; %输出矩阵 H=zeros(400,4); for i=1:400 H(i,1)=-z(i+1);H(i,2)=-z(i);H(i,3)=u(i+1);H(i,4)=u(i);endtheta=inv(H'*H)*H'*(z(3:402))'递推最小二乘法程序代码：u=UY(1:450,1)'; %输入矩阵z=UY(1:450,2)'; %输出矩阵P=100*eye(4); %估计方差Pstore=zeros(4,401);Pstore(:,1)=[P(1,1),P(2,2),P(3,3),P(4,4)];Theta=zeros(4,401); %参数的估计值，存放中间过程估值Theta(:,1)=[3;3;3;3];K=[10;10;10;10];for i=3:402h=[-z(i-1);-z(i-2);u(i-1);u(i-2)];K=P*h*inv(h'*P*h+1);Theta(:,i-1)=Theta(:,i-2)+K*(z(i)-h'*Theta(:,i-2));P=(eye(4)-K*h')*P;Pstore(:,i-1)=[P(1,1),P(2,2),P(3,3),P(4,4)];endi=1:401;theta = Theta(:,length(Theta(1,:)))subplot(2,1,1)plot(i,Theta(1,:),i,Theta(2,:),i,Theta(3,:),i,Theta(4,:))title('递推最小二乘的估计值过度情况')legend('a1','a2','b1','b2')subplot(2,1,2)plot(i,Pstore(1,:),i,Pstore(2,:),i,Pstore(3,:),i,Pstore(4,:)) title('递推最小二乘估计方差过度情况')legend('a1','a2','b1','b2')增广递推最小二乘法程序代码：u=UY(1:450,1)'; %输入矩阵z=UY(1:450,2)'; %输出矩阵v=UY(1:450,3)'; %噪声矩阵P=100*eye(6); %估计方差Pstore=zeros(6,300);Pstore(:,1)=[P(1,1),P(2,2),P(3,3),P(4,4),P(5,5),P(6,6)]; Theta=zeros(6,300); %参数的估计值，存放中间过程估值Theta(:,1)=[3;3;3;3;3;3];K=[10;10;10;10;10;10];for i=3:300h=[-z(i-1);-z(i-2);u(i-1);u(i-2);v(i-1);v(i-2)];K=P*h*inv(h'*P*h+1);Theta(:,i-1)=Theta(:,i-2)+K*(z(i)-h'*Theta(:,i-2));P=(eye(6)-K*h')*P;Pstore(:,i-1)=[P(1,1),P(2,2),P(3,3),P(4,4),P(5,5),P(6,6)];endi=1:300;theta=Theta(:,length(Theta(1,:))-10)subplot(2,1,1)plot(i,Theta(1,:),i,Theta(2,:),i,Theta(3,:),i,Theta(4,:),i,Theta(5,:) ,i,Theta(6,:))title('增广递推最小二乘估计值过渡情况')legend('a1','a2','b1','b2')subplot(2,1,2)plot(i,Pstore(1,:),i,Pstore(2,:),i,Pstore(3,:),i,Pstore(4,:),i,Pstore (5,:),i,Pstore(6,:))title('增广递推最小二乘估计方差过度情况')legend('a1','a2','b1','b2')辨识结果：噪声方差为0.1噪声方差为0.5由图表可得：一般最小二乘法和递推最小二乘法的辨识结果很接近，而增广递推最小二乘法的辨识结果和其他两种方法差距较大，尤其a1和b2。
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。
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）。
(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
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。
系统辨识大作业
北京信息科技大学系统辨识大作业姓名：刘新菊班级：研1206学号：2012020176专业：模式识别与智能系统2012年—2013年第二学期大作业1.实验目的通过实验掌握辅助变量法辨识过程参数， AIC 准则和F 检验法辨识结构参数。
2.实验描述给出一个模型（图6.4），观测数据受有色噪声污染。
3.实验要求编制程序，辨识出该模型的结构参数及过程参数，噪声模型可以辨识也可以不辨识，对精度无要求。
4.实验原理AIC 准则定阶法来定阶，所用公式：n n n n Z H V θ=+[](1),(2),(3),...,()Tn Z z z z z L =1212,,...,,,...aTn n n a a a b b b θ⎡⎤=---⎣⎦(0)(1)...(1)(0)(1)...(1)(1)(0)...(2)(1)(0)...(2).........................(1)(2)...()(1)(2)...()n z z z n u u u n z z z n u u u n H z L z L z L n u L u L u L n ----⎡⎤⎢⎥--⎢⎥=⎢⎥⎢⎥------⎣⎦其中模型参数n θ和 噪声()V k 方差的极大似然估计值为ML θ ，2v σ12()1()()MLML ML T T n n n nT v n n n n H H H Z Z H Z H L θσθθ-==--AIC 的定阶公式写成2()log 4v AIC n L n σ=+取1,2,3,4;n =分别计算()AIC n ，找到使()AIC n 最小的那个n 作为模型的阶次。
一般说来，这样得到的模型阶次都能比较接近实际过程的真实阶次。
5.实验内容仿真对象如图1传递函数()()120()8.31 6.21G ss s=++离散化为2118.07.110.2---+-zzz，故其仿真对象如下图1：U(k) 取6级M序列，幅度为1，v(k) 为服从N（0，1）分布的不相关随机噪声。
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？答：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 ，()()+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。
系统辨识答案
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 0 -1.5000 -3.7500 -4.0750 -3.9875 -2.6288 0.3481 1.8623 3.0498 2.7711Columns 12 through 162.5217 1.3429 -1.2509 -2.3164 -1.0989HL =0 0 -1.0000 -1.00001.5000 0 -1.0000 -1.00003.7500 1.5000 1.0000 -1.00004.0750 3.7500 -1.0000 1.0000 3.9875 4.0750 1.0000 -1.0000 2.6288 3.9875 1.0000 1.0000 -0.3481 2.6288 -1.0000 1.0000 -1.8623 -0.3481 1.0000 -1.0000 -3.0498 -1.8623 -1.0000 1.0000 -2.7711 -3.0498 1.0000 -1.0000 -2.5217 -2.7711 -1.0000 1.0000 -1.3429 -2.5217 -1.0000 -1.00001.2509 -1.3429 1.0000 -1.00002.3164 1.2509 1.0000 1.0000 ZL =-1.5000-3.7500-4.0750-3.9875-2.62880.34811.86233.04982.77112.52171.3429-1.2509-2.3164-1.0989c =-1.50000.70001.00000.5000a1 =-1.5000a2 =0.7000b1 =1b2 =0.50002：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 = [54.3000, 61.8000, 72.4000, 88.7000, 118.6000, 194.0000]τP = [61.2000, 49.5000, 37.6000, 28.4000, 19.2000, 10.1000]τZL = [4.1141, 3.9020, 3.6270, 3.3464, 2.9549, 2.3125]τHL =-3.9945 1.0000-4.1239 1.0000-4.2822 1.0000-4.4853 1.0000-4.7758 1.0000-5.2679 1.0000c4 =1.40429.6786alpha = 1.4042beita = 1.5972e+0043：表1中是在不同温度下测量同一热敏电阻的阻值，根据测70时的电阻量值确定该电阻的数学模型，并求出当温度在C︒值。
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（）。
系统辨识期末作业
系统辨识期末作业一、系统辨识“系统辨识”是研究如何利用系统试验或运行的、含有噪声的输入输出数据来建立被研究对象数学模型的一种理论和方法。
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客观系统(或将要构造的系统)本质特征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。
当然也可以有另外的描述，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。
通过系统辨识建立对象数学模型的依据是：研究表明，从外部对一个系统的认识，是通过其输入输出数据来实现的，既然数学模型是表述一个系统动态特性的一种描述方式，而系统的动态特性的表现必然蕴含在它变化的输入输出数据中。
所以，通过记录系统在正常运行时系统的输入输出数据，或者通过测量系统在人为输入作用下的输出响应，然后对这些数据进行适当的系统处理、数学计算和归纳整理，提取数据中蕴含的系统信息，从而建立被控对象的数学描述，这就是系统辨识。
即系统辨识就是一种利用数学的方法从输入输出数据序列中提取对象数学模型的方法。
下面从三个方面来对系统辨识进行介绍：1、统辨识的方法（1）、经典的系统辨识办法在经典控制理论中，所分析研究的是单输入单输出系统，经常用到的系统模型是频率响应、权函数和传递函数。
所以早期系统辨识工作的主要内容也就是寻求描述单变量系统的频率特性、权函数和系统的传递函数。
早期的系统辨识所用的方法大多是在一定的连续时间性的输入信号下（非周期的或周期的），观测被识对象对这种输入作用的响应，例如频率响应或阶跃响应。
根据需要，再由这些响应特性求出系统的参数模型。
这些方法有阶跃响应法、频率特性法和相关分析法。
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。
系统辨识作业
3.考虑如下SISO 系统作为仿真对象)()2(5.0)1()2(7.0)1(5.1)(k e k u k u k z k z k z +-+-=-+--其中，{})(k e 为服从N(0,1)分布的白噪声序列；输入信号)(k u 采用4阶逆重复m 序列，其幅值为1；数据的信噪比β=14.3%。
选择的辨识模型为)()2()1()2()1()(2121k k u b k u b k z a k z a k z ε+-+-=-+-+用最小二乘估计的一次完成算法和最小二乘估计的递推算法分别估计参数。
选择数据长l =480；选取初始值P 0=2*2610I , Q 0=0.001（要过程）解：>> %最小二乘估计的一次完成算法clear 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; %数据长度uk=[0.001 0.001 0.001 0.001]'; %输入初值：uk(i)表示u(k-i)yk=zeros(na,1); %输出初值x1=1; x2=1; x3=1; x4=0; S=1; %移位寄存器初值、方波初值xi=rand(L,1); %白噪声序列theta=[a(2:na+1);b]; %对象参数真值for k=1:Lphi(k,:)=[-yk;uk(d:d+nb)]'; %此处phi(k,:)为行向量，便于组成phi 矩阵 y(k)=phi(k,:)*theta+xi(k); %采集输出数据IM=xor(S,x4); %产生逆M 序列if IM==0u(k)=-1;elseu(k)=1;endS=not(S); M=xor(x3,x4); %产生M 序列%更新数据x4=x3; x3=x2; x2=x1; x1=M;for i=d+nb:-1:2uk(i)=uk(i-1);enduk(1)=u(k);for i=na:-1:2yk(i)=yk(i-1);endyk(1)=y(k);endthetae=inv(phi'*phi)*phi'*y' %计算参数估计值thetae thetae =-1.54530.69531.00320.4566>> %最小二乘估计的递推算法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=[0.001 0.001 0.001 0.001]'; %输入初值yk=zeros(na,1); %输出初值u=rand(L,1); %输入采用白噪声序列xi=sqrt(0.1)*rand(L,1); %白噪声序列theta=[a(2:na+1);b]; %对象参数真值thetae_1=zeros(na+nb+1,1); %thetae初值P=10^6*eye(4);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(4)-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=na:-1:2yk(i)=yk(i-1);endyk(1)=y(k);endplot([1:L],thetae); %line([1,L],[theta,theta]); xlabel('k'); ylabel('参数估计a、b');title('参数估计曲线图')legend('a_1','a_2','b_0','b_1'); axis([0 L -2 2]);图1 参数估计曲线图1.设有二阶系统1)(122++=s a s a s D ，1)(=s N⑴试用MIT 规则设计自适应控制系统；⑵取112==a a ，⎪⎩⎪⎨⎧===5.30.11.0,1.0,1r m y K μ 进行仿真，并给出结论； ⑶采用修正的梯度法， 自适应律采用),(2βαμmm y ey sat c K +=∙ 取112==a a ，2,01.0,1.0,1====βαμm K ，⎪⎩⎪⎨⎧=5.30.11.0r y 进行仿真，并给出结论；⑷增大μ，通过仿真说明μ增大对系统的影响。
- 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)。
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。
⑷第5级与第4级模2相加结果如下：已知其为M 序列。
001008010007100006000015000114001113011112111111）（）（）（）（）（）（）（）（()()()()()()()10100160100115100111400110)13(011001211000111000110000109()()()()()()111112211110211110120110101910101180101017M 序列: 1 1 1 1 1 0 0 0 0 1 0 0 0 1 1 0 0 1 0 1 0 1 方波信号: 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 逆重复M: 0 1 0 1 0 0 1 0 1 1 1 0 1 1 0 0 1 1 1 1 1 14. 画出广义最小二乘法的离线迭代算法的简单计算框图。
答：广义最小二乘法的离线迭代算法的简单计算框图如下：5. 考虑如下数学模型x b x a y cos sin +=，试用N k k y k x ,...,3,2,1),(),(=输入输出数据估计系统参数b a ,。
答：()()()1cos 1sin 1x b x a y +=()()()2cos 2sin 2x b x a y +=()()()N x b N x a N y cos sin +=Y E Y T T φφφθφθ1-)(=⇒+=⇒∧6. 利用最小二乘算法辨识如下模型参数z(k)-1.5z(k-1)+0.7z(k-2)=u(k-1)+0.5u(k-2)+v(k)其中，v(k)是零均值白噪声。
当模型阶次为2时，可以获得准确的辨识结果，而模型阶次取3时，只能得到如下一组模型参数辨识结果（括号内为模型参数真值）： a 1=-1.08884(-1.5) a 2=0.08326(0.7) a 3=0.28781(0.0) b 1=1.00000(1.0) b 2=0.91116(0.5) b 3=0.20558(0.0) 显然，辨识结果已经远远偏离了模型参数真值，试从理论上解释为什么会出现这种现象。
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)()[()]Tn 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。
7. 请说明闭环系统不可辨识的原因。
答：闭环系统不可辨识的原因：反馈使得一个闭环系统对不同的输入常产生差不多相同的输出，观测的输入输出数据所包含的信息比开环辨识少的多；输入信号与噪声因反馈而相关：有偏估计，非一致性估计；在闭环条件下，用开环辨识方法系统的参数有时也是不可唯一辨识的。
8. 设闭环系统前向通道模型为)()2(7.0)1()2(45.0)1(4.1)(k k u k u k y k y k y ε+-+-+----=反馈调节器为)1(2.0)()(-+=k y k y k u试画出其闭环系统框图，并判断系统是否可辨识？答：系统是可以辨识的，由于为非奇异，故在)1(2.0)()(-+=k y k y k u 条件下，参数是可以辨识的。
闭环系统框图如下图所示：9. 对系统模型阶次进行辨识，得到1阶-4阶的参数估计，性能指标与系统模型阶次的关系解：由F 检验法原理知()(1)(,1)(1)J n J n t n n J n -++=+若(,1) 3.09 t n n+≤则可以接受系统阶数。
由计算得，t(1,2)=4.13 , t(2,3)=0.49 , t(3,4)=0.0034, t(4,5)=0所以系统的阶数为3。
二．编程题1.（1）编程产生一组正态分布的白噪声信号，它的均值和方差以及长度可随意调整，将产生的白噪声信号存入数据文件data1.txt（2）编程产生一组M序列信号，它的幅值和长度可随意调整，将产生的M序列存入数据文件data2.txt（3）编程产生一组逆重复M序列信号，它的幅值和长度可随意调整，将产生的逆重复M序列存入数据文件data3.txt解：（1）function y=WNoise(N,E,V AR)% N为长度E为均值V AR为方差y=randn(1,N);y=y-mean(y);y=y/std(y);y=E+sqrt(V AR)*y;plot(y)title('严晓龙实验：产生一组正态分布的白噪声信号')save data1.txt y -ascii调用函数实验：WNoise(400,0,1)，得到数据见data1.txt，如图所示：（2）function seq=mseq(a,L,N)% a为M序列幅值N为长度L为移位单位数register=randint(1,L) %寄存器初始化p=zeros(1,L); %特征向量p(L-1:L)=1; %默认最后两个寄存器相加temp=0;for i=1:Nseq(i)=a*register(L);temp=sum(register.*p);register(2:L)=register(1:L-1); %移位register(1)=mod(temp,2);endx=0:1/5:1.2;stairs(seq);grid;set(gca,'ylim',[-0.2,1.2]);ylabel('M序列')title('严晓龙实验：移位寄存器产生的M序列')save data2.txt seq -ascii调用函数实验：mseq(2,40,15)，得到数据见data2.txt，和下图：（3）function seq=invM(a,L,N)% a为M序列幅值N为长度L为移位单位数register=randint(1,L) %寄存器初始化p=zeros(1,L); %特征向量p(L-1:L)=1; %默认最后两个寄存器相加temp=0;for i=1:2^L-1seq(i)=register(L);temp=sum(register.*p);register(2:L)=register(1:L-1); %移位register(1)=mod(temp,2);endseq=[seq seq];for i=1:2*(2^L-1)if mod(i,2)==1invm(i)=1;elseinvm(i)=0;endseq(i)=a*xor(seq(i),invm(i));endfor i=1:Nif mod(i,2*(2^L-1))==0mseq(i)=seq(2*(2^L-1));elsemseq(i)=seq(mod(i,2*(2^L-1)));endendseq=mseq;stairs(seq);grid;set(gca,'ylim',[-0.2,1.2]);title('严晓龙实验：产生一组逆重复M序列信号')save data3.txt seq -ascii调用函数实验：invM (1,10,40)，得到数据见data3.txt，和下图2.12.mat中的数据是单输入单输出系统进行采样后100对输入输出数据，其中input表示系统的输入数据，output表示受到噪声污染后的系统的输出数据。
在辨识过程中，可以认为噪声具有正态分布，其均值为0。
（1）判断该系统的阶次（方法不限）（2）利用递推最小二乘法进行参数估计。
解：模型阶数的辨识,一般说来低阶模型描述粗糙，高阶模型精度高。
残差平方总和J(n)是模型阶数的函数∑=-=NkTK kynJ12))(()(θϕ在不同的模型阶数的假设下，参数估计得到的J(n)值亦不同。
讨论如下(1)当n=1时程序如下:启动matlab，打开12.mat；运行下面程序u=zeros(100,1);%构造输入矩阵z=zeros(100,1);%构造输出矩阵i=1:1:100;u(i,1)=input(i);z=zeros(100,1);%构造输出矩阵i=1:1:100;z(i,1)=output(i);r=100;for p=1:(r-2) %利用循环生成观测矩阵h(p,:)=[-z(p+1) u(p+1)]; %endhl=h;for b=1:(r-2) %生成输出矩阵zl(b,:)=[z(b+2)];zl'endzl'%根据最小二乘法公式进行参数辩识c1=hl'*hl;c2=inv(c1);c3=hl'*zl;c=c2*c3;a1=c(1)a2=c(2)j=0;for k=4:100;hl=[-z(k-1);u(k-1)]';x=hl*c;y=z(k)-x;s=y*y;j=j+s;endj仿真结果如下a1 = -0.2576 a2 = 0.6985 j = 0.8556(2)当 n=2时程序如下(输入输出数据同上,只给出不同于一阶系统的程序不同之处)其中U、Z分别是作业要求给出得的输入输出，数据输入同上。