系统辨识 分类.ppt

4系统辨识的方法 4.1 经典的辨识方法 1.经典的辨识方法 ： 思路：首先获得系统的非参数模型（频率响应，阶跃响应，脉冲响应)，然后通过特定的方法将非参数模型转化成参数模型(如传递函数)。包括下述几类方法： 阶跃响应辨识方法 脉冲响应辨识方法 频率响应辨识方法 相关分析辨识方法 谱分析辨识方法 最小二乘法 极大似然法 4.1 经典的辨识方法 4.1 经典的辨识方法 2.主要应用范围： ①寻求描述单变量线性定常系统的频率特性或传递函数； ②建立系统的非参数模型非参数模型，用曲线或一组采样值来表示系统的特性； ③在实验的基础上求出系统的参数模型，再用微分方程、频率响应函数或传递函数来描述系统。 4.1 经典的辨识方法 4.1 经典的辨识方法 3.的系统辨识方法还存在着一定的不足: ①利用最小二乘法的系统辨识法一般要求输入信号已知，并且必须具有较丰富的变化，然而，这一点在某些动态系统中，系统的输入常常无法保证; ②极大似然法计算耗费大，可能得到的是损失函数的局部极小值; ③经典的辨识方法对于某些复杂系统在一些情况下无能为力。 4.1 经典的辨识方法 4.1.1 脉冲响应辨识 1.辨识原理： 思路：通过相关法获得系统的脉冲响应，然后通过特定的方法将脉冲响应转化成参数模型(如传递函数)。 单位脉冲信号 脉冲 响应 M序列 系统 输出 计算脉冲响应 4.1.1 脉冲响应辨识 4.1.1 脉冲响应辨识 2.从系统的输入数据和输出数据中得到系统的传递函数 输入输出数据 相关 函数 脉冲响应函数 传递 函数 4.1.1 脉冲响应辨识 4.1.2 最小二乘法辨识 1.辨识原理 假设实际系统为: 4.1.2 最小二乘法辨识 4.1.2 最小二乘法辨识 一次完成最小二乘算法（适合离线辨识；要求数据量大；辨识精度高） (2n+1)×1 (2n+1)×1 (2n+1)×1 4.1.2 最小二乘法辨识 4.1.2 最小二乘法辨识 2.特点： 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。但是,最小二乘估计是非一致的,是有偏差的,所以为了克服他的缺陷,而形成了一些以最小二乘法为基础的系统辨识方法:广义最小二乘法(GLS)、辅助变量法(IV)、增广最小二乘法(ELS)和广义最小二乘法(GLS),以及将一般的最小二乘法与其他方法相结合的方法,有最小二乘两步法(COR-LS)和随机逼近算法等。 4.1.2 最小二乘法辨识 4.1.3 极大似然辨识 1.辨识原理： 极大似然法应用于随机系统辨识，它根据观测数据一般都具有随即统计特性这一实际情况，引入 随机变量（观测输出量）的条件概率密度或条件概率分布p(yΙθ)，构造一个以观测数据和未知参数为自变量的似然函数L(YNΙθ),并通过极大似然函数来获得系统模型的参数估计量 。 2.方法 构造一个似然函数，次似然函数以数据和未知参数为自变量。 由极大似然函数求得未知参数。 4.1.3 极大似然辨识 4.2 现代辨识方法  随着智能控制理论研究的不断深入及其在控制领域的广泛应用,从逼近理论和模型研究的发展来看,非线性系统建模已从用线性模型逼近发展到用非线性模型逼近的阶段。由于非线性系统本身所包含的现象非常复杂,很难推导出能适应各种非线性系统的辨识方法,因此非线性系统的辨识还没有构成完整的科学体系。下面简要介绍几种方法。 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 遗传算法系统辨识法 模糊逻辑系统辨识法 小波网络系统辨识法 4.2 现代辨识方法 4.2.1 集员系统辨识 1.简介 在1979年集员辨识首先出现于Fogel撰写的文中,1982年Fogel和Huang又对其做了进一步的改进。集员辨识是假设在噪声或噪声功率未知但有UBB(Unknown But Bounded)的情况下,利用数据提供的信息给参数或传递函数确定一个总是包含真参数或传递函数的成员集(例如椭球体、多面体、平行六边体等)。不同的实际应用对象,集员成员集的定义也不同。集员辨识理论已广泛应用到多传感器信息融合处理、软测量技术、通讯、信号处理、鲁棒控制及故障检测等方面。 4.2.1 集员系统辨识 4.2.1 集员系统辨识 2.应用 在实际应用中,飞行器系统是一个较复杂的非线性系统,噪声统计分布特性难以确定,要较好地描述未知参数的可行解,用统计类的辨识方法辨识飞行器动参数很难达到理想效果。采用集员辨识可解决这种问题。首先用迭代法给出参数的中心估计