系统辨识试卷A

襄樊学院2008-2009学年度上学期《系统辨识》试题

系别专业学号姓名

课程类别：选修课

适用专业：自动化

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、下面哪种建模方法也称为“灰箱问题”（）。

（A）机理建模（B）系统辨识（C）机理分析和系统辨识相结合（D）实验建模

2、频谱覆盖宽、能量均匀分布是下面哪种信号的特点（）。

（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（）。

（A）阶跃响应法（B）最小二乘法（C）相关分析法（D）频率响应法4、下面哪个数学模型属于非参数型（）。

（A）微分方程（B）状态方程（C）传递函数（D）脉冲响应模型5、下面哪个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）模型参数辨识（D）模型验证6、下面哪些属于系统辨识过程中的3大要素（）。

（A）输入输出数据（B）等价准则（C）模型类（D）输入数据

二、填空题（每空2分，共14分）

1、通过图解和的方法，可以由阶跃响应求出系统的传递函数。

2、SISO系统的结构辨识可归结为确定和。

3、最小二乘法是和的特殊情形。

4、的最小二乘递推算法和的最小二乘递推算法都称为实时辨识算法。

三、判断改错题（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）

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型。（）

（）3、白噪声过程是一种均值为零、谱密度为非零常数的平稳随

机过程。

4、相关分析法对噪声没有滤波作用。（）

5、增长记忆估计算法给予新、老数据相同的信度。（）

（）6、最小二乘法考虑估计过程中所处理的各类数据的概率统计

特性。

7、等价准则是系统辨识的优化目标。（）

8、均值和方差都是随机过程的数字特征。（）

9、白噪声和M序列是两个完全相同的概念。（）

10、系统辨识不需要知道系统的阶次。（）

四、简答题（回答要点，并简明扼要作解释，每小题6分，共18）

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？

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。

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。

五、计算题（要求写出主要计算步骤及结果。每小题12分，共36

分）

1、某系统的阶跃响应曲线

如右图所示，试写出其传

递函数。（注：要有详细

的步骤）

2、观测数据如下：

试用二次多项式(利用最小二乘法)拟合这些数据。

3、被辨识系统的脉冲响应序列如下表所示：

（1）求)

H

det k

,2(

（2）假设

D=2.998 3D=911.9 4D=56.28，则，系统的阶数为多少

2

系统辨识大作业1201张青

《系统辨识》大作业 学号：12051124 班级：自动化1班 姓名：张青 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?()g k ，由? ()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? ()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=-=-=n p N 。 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:-1:1 UU(16-i,:)=UY(16+i:30+i,1)'; end YY=[UY(31:45,2)]; GG=RR*UU*YY/[aa*aa*(NNPP+1)*ts]; plot(0:2:29,GG) hold on stem(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2 21101)(s a s a s b b s G +++= ，已知)(τg ，求2110,,,a a b b

系统辨识之经典辨识法

系统辨识作业一 学院信息科学与工程学院专业控制科学与工程 班级控制二班 姓名 学号

2018 年 11 月 系统辨识 所谓辨识就是通过测取研究对象在认为输入作用的输出响应，或正常运行时 的输入输出数据记录，加以必要的数据处理和数学计算，估计出对象的数学模型。 辨识的内容主要包括四个方面： ①实验设计； ②模型结构辨识； ③模型参数辨识； ④模型检验。 辨识的一般步骤：根据辨识目的，利用先验知识，初步确定模型结构；采集 数据；然后进行模型参数和结构辨识；最终验证获得的最终模型。 根据辨识方法所涉及的模型形式来说，辨识方法可以分为两类：一类是非参 数模型辨识方法，另一类是参数模型辨识方法。 其中，非参数模型辨识方法又称为经典的辨识方法，它主要获得的是模型是 非参数模型。在假定过程是线性的前提下，不必事先确定模型的具体结构，广泛 适用于一些复杂的过程。经典辨识方法有很多，其中包括阶跃响应法、脉冲响应法、相关分析法和普分析法等等，本次实验所采用的辨识方法为阶跃响应法和脉 冲响应法。 1．阶跃响应法 阶跃响应法是一种常用非参数模型辨识方法。常用的方法有近似法、半对数法、切线法、两点法和面积法等。本次作业采用面积法求传递函数。 1.1面积法 ① 当系统的传递函数无零点时，即系统传递函数如下： G(S) = + ?11?1+?+ 1+1 (1-1) 系统的传递函数与微分方程存在着一一对应的关系，因此，可以通过求取 微分方程的系数来辨识系统的传递函数。在求得系统的放大倍数K后，要得到无 因次阶跃响应y(t)(设τ=0)，其中y(t)用下式描述： () ?1 () (1-2) 面积法原则上可以求出n为任意阶的个系数。以n为3为例。有： 3() 2() () {| →∞ =| →∞ =| →∞ = 0 (1-3) ()| →∞ = 1

最优估计大作业1.

最优估计大作业 姓名：李海宝 学号：S314040186 导师：刘胜 专业：控制科学与工程

模糊逻辑卡尔曼滤波器在智能AUV导航系统中的自适应调 整 摘要 本论文基于全球定位系统（GPS）和几个惯性导航系统（INS）传感器描述了对于自主水下航行器（AUV）应用的一种智能导航系统的执行过程。本论文建议将简单卡尔曼滤波器（SKF）和扩展卡尔曼滤波器（EKF）一前一后地用于融合INS 传感器的数据并将它们与GPS数据结合到一起。传感器噪声特性里潜在的变化会引起SKF和EKF的初始统计假定的调整，本论文针对这一问题着重突出了模糊逻辑方法的使用。当这种算法包含实际传感器噪特性的时候，SKF和EKF只能维持他们的稳定性和性能，因此我们认为这种自适应机制同SKF与EKF一样有必要。此外，在提高导航系统的可靠性融合过程期间，故障检测和信号恢复算法也需在此要讨论。本论文建议的这种算法用于使真实的实验数据生效，这些数据都是从Plymouth大学和Cranfield大学所做的一系列AUV实验(运行低成本的锤头式AUV)中获得的。 关键词：自主水下航行器；导航；传感器融合；卡尔曼滤波器；扩展卡尔曼滤波器；模糊逻辑 1.引言 对于以科学、军事、商业为目的应用，如海洋勘察、搜索未爆弹药和电缆跟踪检查，AUV的发展需要相应导航系统的发展。这样的系统提供航行器位置和姿态的数据是很有必要的。在这样的系统中对精度的要求是最重要的：错误的位置和姿态数据会导致收集数据的一个毫无意义的解释，或者甚至AUV的一个灾难性故障。 越来越多来自整个世界的研究团队正利用INS和GPS来研发组合导航系统。然而，他们的工作中几乎都没有明确几个INS传感器融合的本质要求，这些传感器用于确保用户保持精度或甚至用来防止在与GPS融合之前导航系统这部分的完全失败。例如，金赛和惠特科姆（2003）使用一个切换机制来防止INS的完全失败。虽然这个方法简单易行，但是可能不适合用于维持一个确定的精度等级。 出于多传感器数据融合和集成的目的，几种估计方法在过去就已经被使用过。为此，SKF/EKF和它们的变形在过去就已经是流行的方法，并且一直到现在都对开发算法感兴趣。然而，在设计SKF/EKF过程中，一个显著的困难经常会被

系统辨识试卷A

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

系统辨识大作业论文Use

中南大学 系统辨识大作业 学院：信息科学与工程学院 专业：控制科学与工程 学生姓名：龚晓辉 学号：134611066 指导老师：韩华教授 完成时间：2014年6月

基于随机逼近算法的系统辨识设计 龚晓辉1, 2 1. 中南大学信息科学与工程学院,长沙410083 2. 轨道交通安全运行控制与通信研究所, 长沙410083 E-mail: csugxh@https://www.wendangku.net/doc/2d2975689.html, 摘要：本文对系统辨识的基本原理和要素进行了详细阐述，介绍和分析了系统辨识中常用的最小二乘算法，极大似然法，神经网络算法和随机逼近算法。随机逼近算法只需利用输入输出的观测来辨识系统参数，在实际中有重要运用。本文对随机逼近算法进行了详细说明。同时，针对一个三阶系统设计了KW随机逼近算法进行了参数辨识，并且和递推最小二乘法进行了对比。实验证明在实际辨识过程中两种算法各有优缺点。 关键词: 系统辨识, 随机逼近法, 递推最小二乘法 1.引言 在我们所学的线性系统理论中，都是在系统模型已知的情况来设计控制率，使系统达到稳定性，准确性和快速性的要求。然而，在实际系统中，对象的模型往往是未知的。而且，非线性是普遍存在的，线性系统只是对非线性系统的一种近似。因此，了解对象准确的模型，对设计控制器及其重要。在一些实际对象中，如导弹，化学过程，生物规律，药物反应，以及社会经济等，这些对象使用机理分析法比较困难，但是通过使用辨识技术可以建立系统精确的模型，确定最优控制率[1]。如今，系统辨识技术已经在航空航天，海洋工程，生物学等各个领域获得了广泛运用。 2.系统辨识的基本思想与常用方法 辨识的目的是为了获得对象模型。对象的模型有多种表现形式，它包括直觉模型，图表模型，数学模型，解析模型，程序模型和语言模型。这些模型之间可以相互转换。我们在建立系统模型时，需要遵循目的性，实在性，可辨识性，悭吝性的基本原则。目的性指的是建模的目的要明确，实在性指的是模型的物理概念要明确。可辨识性指的是模型结构合理,输入信号持续激励,数据量充足。悭吝性指的是被辨识参数的个数要尽量少。 辨识对象模型要遵循上面的基本原则。它是将对象看成一个黑箱。从含有噪声的输入输出数据中，按照一个准则，运用辨识理论，从一组给定的模型中，确定一个与所测系统等价的模型，是现代控制理论的一个分支。系统辨识由数据、模型类和准则三要素组成。数据是由观测实体而得，它不是唯一的，受观测时间、观测目的、观测手段等影响。模型类就是模型结构，它也不是唯一的，受辨识目的、辨识方法等影响。而准则是辨识的优化目标，用来衡量模型接近实际系统的标准。它也不是唯一的，受辨识目的、辨识方法的影响。由于存在多种数据拟合

神经网络动态系统辨识与控制

神经网络动态系统的辨识与控制 摘要： 本论文表明神经网络对非线性动态系统进行有效的辨识与控制。本论文的侧重点是辨识与控制模型，并论述了动态反向传播以及静态反向传播方法在参数调节中的作用。在所介绍的模型中，加法器与重复网络结构的内部相连很独特，所以很有必要将他们统一起来进行研究。由仿真结果可知辨识与自适应控制方案的提出是可行的。整篇论文中都介绍到基本的概念和定义，也涉及了必须提出的学术性问题， 简介 用数学系统理论处理动态系统的分析与合成在过去的五十年里已经被列为应用广泛的权威科学原理了。权威系统理论最先进的地方定义于基于线性代数以及复合变量理论的先进技术线性操作器以及线性常微分方程。由于动态系统的设计技术与它们的稳定特性密切相关，线性时间不变系统的充分必要条件在上世纪已经产生了，所以已经建立了动态系统的著名设计方法。相反，只要在系统对系统基础上就可以基本上建立非线性系统的稳定性，因此对于大部分系统没有同时满足稳定性、鲁棒性以及良好动态响应的设计程序并不希奇。 过去三十年来，对线性、非时变和具有不确定参数的对象进行辨识与自适应控制的研究已取得了很大的进展。但是在这些研究中辨识器和控制器的结构选取和保证整个系统全局稳定性的自适应调参规律的构成等，都是建立在线性系统理论基础上的[1]。在本论文中，我们感兴趣的是神经网络非线性动态系统的控制与辨识。由于很少有可以直接应用的非线性系统理论结果存在，所以必须密切关注这个问题以及辨识器和控制器结构的选择和调整参数适应性规则的通用性问题。 在人工神经网络领域里，有两类网络今年来最引人注目：它们是（1）多层神经网络（2）回归神经网络。多层神经网络被证实在解决模式辨识问题[2]-[5]上非常成功。而回归神经网络则经常用于联想记忆以及制约优化问题的解决[[6]-[9]。从系统理论的观点来看，多层网络呈现静态非线性映射，而回归网络则通过非线性动态反馈系统显现。尽管两种网络存在外观上的不同外，但是很有必要将他们用统一成更一般化的网络。事实上，笔者确信将来会越来越多的用到动态因素以及反馈，这导致包括两种网络的复杂系统的产生。这样，将两个网络统一起来就成为必要。在本文的第三章，这个观点会得到进一步的阐述。 本文用了三个主要目标。第一个也是最重要的一个目标是在未知非线性动态系统中为自适应控制利用神经网络提出辨识以及控制器结构。当未知参数线性系

系统辨识试卷B

襄樊学院2008-2009学年度上学期《系统辨识》试题 系别专业学号姓名 课程类别：选修课 适用专业：自动化 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、下面哪种建模方法也称为“黑箱问题”（）。 （A）机理建模（B）实验建模（C）机理分析和系统辨识相结合（D）系统辨识 2、频谱覆盖宽、能量均匀分布是下面哪种信号的特点（）。 （A）白噪声信号（B）脉冲信号（C）阶跃信号（D）斜坡信号 3、下面哪种辨识方法不属于系统辨识的经典方法（）。 （A）阶跃响应法（B）相关分析法（C）最小二乘法（D）频率响应法4、下面哪些数学模型属于参数型（）。

（A）微分方程（B）状态方程（C）传递函数（D）脉冲响应模型5、下面哪些内容属于系统辨识的基本内容（）。 （A）观测数据（B）模型结构辨识（C）模型参数辨识（D）模型验证6、下面哪个不属于系统辨识过程中的3大要素之一（）。 （A）输入输出数据（B）输入数据（C）模型类（D）等价准则 二、填空题（每空2分，共14分） 1、通过和计算的方法，可以由阶跃响应求出系统的传递函数。 2、SISO系统的结构辨识可归结为确定和。 3、最小二乘法是和的特殊情形。 4、的最小二乘递推算法和的最小二乘递推算法都称为实时辨识算法。 三、判断改错题（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）

1、白噪声过程是一种均值为非零、谱密度为非零常数的平稳 （）随机过程。 2、相关分析法对噪声有滤波作用。（） 3、白噪声和M序列是两个完全相同的概念。（） 4、预报误差法不需要先验统计信息。（） 5、增长记忆估计算法给新、老数据不相同的信度。（） 6、均值和方差是随机过程的数字特征。（） 7、等价准则是系统辨识的优化目标。（） 8、传递函数属于参数型。（） 9、机理建模这种建模方法也称为“灰箱问题”。（） 10、系统辨识不需要知道系统的阶次。（） 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、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。

系统辨识与自适应控制论文

XXXXXXXXXX 系统辨识与自适应控制课程论文 题目：自适应控制综述与应用 课程名称：系统辨识与自适应控制 院系：自动化学院 专业：自动化 班级：自动化102 姓名： XXXXXX 学号: XXXXXXXXX 课程论文成绩： 任课教师： XXXXX 2013年 11 月 15 日

自适应控制综述与应用 一．前言 对于系统辨识与自适应控制这门课，前部分主要讲了系统辨识的经典方法（阶跃响应法、频率响应法、相关分析法）与现代方法（最小二乘法、随机逼近法、极大似然法、预报误差法）。对于系统辨识，简单的说就是数学建模，建立黑箱系统的输入输出关系；而其主要分为结构辨识（n）与参数辨识（a、b）这两个任务。 由于在课上刘老师对系统辨识部分讲的比较详细，在此不再赘述，下面讨论自适应控制部分的相关内容。 对于自适应控制的概念，我觉得具备以下特点的控制系统，可以称为自适应控制系统： 1、在线进行系统结构和参数辨识或系统性能指标的度量，以便得到系统当前状态的改变情况。 2、按一定的规律确定当前的控制策略。 3、在线修改控制器的参数或可调系统的输入信号。 二．自适应控制综述 1.常规控制系统与自适应控制系统比较 （1）控制器结构不同 在传统的控制理论与控制工程中，常规控制系统的结构主要由控制器、控制对象以及反馈控制回路组成。 而自适应控制系统主要由控制器、控制对象、自适应器及反馈控制回路和自适应控制回路组成。 （2）适用的对象与条件不同 传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论采用频域方法，还是状态空间方法，对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确地描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。 然而,有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的,或者它们的数学模型的某些参数或结构是处于变化之中的.对于这类事先难以确定数学模型的系统,通过事先整定好控制器参数的常规控制往往难以对付。 面对上述系统特性未知或经常处于变化之中而无法完全事先确定的情况,如何设计一个满意的控制系统,使得能主动适应这些特性未知或变化的情况,这就 是自适应控制所要研究解决的问题.自适应控制的基本思想是:在控制系统的运行过程中,系统本身不断地测量被控系统的状态、性能和参数,从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较,进而作出决策,来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。按这种思想建立起来的控制系统就称为自适应控制系统。

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 1 z = Columns 1 through 11 0 0 Columns 12 through 16 HL =

0 0 0 ZL = c = a1 =

a2 = b1 = 1 b2 = 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 = [, , , , , ]τ P = [, , , , , ]τ ZL = [, , , , , ]τ HL = c4 = alpha = beita = +004 3：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(?)()()0(1 0 （b ）写出最小二乘的递推公式； （c ）利用Matlab 计算 T k a k b k )](),([)(?=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)()(12 θτ h θL L H z = T L L z z ],...,[1=z ，????? ???? ???=1 (112) 1 L 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 ++=

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 MA 模型z k D z u k ()()()=-1 ② 定义ττθ)](,),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ττθ)](,),1(),([)(,],,,[10n k u k u k u k d d d n --== h ，则有最小二乘格式： )()()()()(0 k e k h k e k h d k z n i i i +=+=∑=τ ， 其中e(k)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 ) () ()(1 11 ---=z C z D z H 即 )()()()(1 1k v z D k e z C --= 其中 c c n n z c z c z C ---+++= 1 11 1)( d d n n z d z d z D ---+++= 1 111)(

自适应控制大作业

自适应控制结课作业 班级： 组员： 2016年1月

目录 1 遗忘因子递推最小二乘法 (1) 1.1最小二乘理论 (1) 1.2带遗忘因子的递推最小二乘法 (1) 1.2.1白噪声与白噪声序列 (1) 1.2.2遗忘因子递推最小二乘法 (2) 2.2仿真实例 (3) 2 广义最小方差自校正控制 (5) 2.1广义最小方差自校正控制 (5) 2.2仿真实例 (6) 3 参考模型自适应控制 (9) 3.1参考模型自适应控制 (9) 3.2仿真实例 (12) 3.2.1数值积分 (12) 3.2.2仿真结果 (12) 参考文献 (16)

1 遗忘因子递推最小二乘法 1.1最小二乘理论 最小二乘最早的想法是高斯在1795年预测行星和彗星运动轨道时提出来的，“未知量的最大可能的值是这样一个数值，它使各次实际观测和计算值之间的差值的平方乘以度量其精确度的数值以后的和为最小”。这一估计方法原理简单，不需要随机变量的任何统计特性，目前已经成为动态系统辨识的主要手段。最小二乘辨识方法使其能得到一个在最小方差意义上与实验数据最好拟合的数学模型。由最小二乘法获得的估计在一定条件下有最佳的统计特性，即统计结果是无偏的、一致的和有效的。 1.2带遗忘因子的递推最小二乘法 1.2.1白噪声与白噪声序列 系统辨识中所用到的数据通常含有噪声。从工程实际出发，这种噪声往往可以视为具有理想谱密度的平稳随机过程。白噪声是一种最简单的随机过程，是由一系列不相关的随机变量组成的理想化随机过程。白噪声的数学描述如下：如果随机过程()t ξ均值为0，自相关函数为2()σδτ，即 2()()R ξτσδτ= 式中，()δτ为单位脉冲函数(亦称为Dirac 函数)，即 ,0 ()0,0τδττ∞=?=? ≠?，且-()1d δττ∞ ∞ =? 则称该随机过程为白噪声，其离散形式是白噪声序列。 如果随机序列{}()V k 均值为零，且两两互不相关，即对应的相关函数为： 2,0 ()[()()]0,0v n R n E v k v k n n σ?==+=?=? 则这种随机序列称为白噪声序列。其谱密度函数为常数2(2)σπ。白噪声序列的功率在π-到π的全频段内均匀分布。 建立系统的数学模型时，如果模型结构正确，则模型参数辨识的精度将直接依赖于输入信号，因此合理选用辨识输入信号是保证能否获得理想的辨识结果的

系统辨识复习资料

1请叙述系统辨识的基本原理（方框图），步骤以及基本方法 定义：系统辨识就是从对系统进行观察和测量所获得的信息重提取系统数学模型的一种理论和方法。 辨识定义：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 辨识的三大要素：输入输出数据、模型类、等价准则 基本原理： 步骤：对一种给定的辨识方法，从实验设计到获得最终模型，一般要经历如下一些步骤：根据辨识的目的，利用先验知识，初步确定模型结构；采集数据；然后进行模型参数和结构辨识；最后经过验证获得最终模型。 基本方法：根据数学模型的形式：非参数辨识——经典辨识，脉冲响应、阶跃响应、频率响应、相关分析、谱分析法。参数辨识——现代辨识方法（最小二乘法等） 2随机语言的描述 白噪声是最简单的随机过程，均值为零，谱密度为非零常数的平稳随机过程。 白噪声过程（一系列不相关的随机变量组成的理想化随机过程） 相关函数： 谱密度： 白噪声序列，白噪声序列是白噪声过程的离散形式。如果序列 满足： 相关函数： 则称为白噪声序列。 谱密度： M 序列是最长线性移位寄存器序列，是伪随机二位式序列的一种形式。 M 序列的循环周期 M 序列的可加性：所有M 序列都具有移位可加性 辨识输入信号要求具有白噪声的统计特性 M 序列具有近似的白噪声性质，即 M 序列“净扰动”小，幅度、周期、易控制，实现简单。 3两种噪声模型的形式是什么 第一种含噪声的被辨识系统数学模型0011()()()()n n i i i i y k a y k i b u k i v k ===-+-+∑∑，式中,噪声序列v(k)通常假定为均值为零独立同分布的平稳随机序列,且与输入的序列u(k)彼此统计独立. 上式写成：0 ()()()T y k k v k ψθ=+。其中，()()()()()()()=1212T k y k y k y k n u k u k u k n ψ------????L L ，，，，，，， ) ()(2τδστ=W R +∞ <<∞-=ωσω2)(W S )}({k W Λ,2,1,0,)(2±±==l l R l W δσ2)()(σωω== ∑ ∞-∞=-l l j W W e l R S ???≠=≈+=?0 , 00,Const )()(1)(0ττττT M dt t M t M T R bit )12(-=P P N

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(0.1)*randn(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(na+nb+1); for k=1:L phi=[-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+nb+1)-K*phi')*P; %更新数据 thetae_1=thetae(:,k); for i=d+nb:-1:2 uk(i)=uk(i-1); end uk(1)=u(k); for i=na:-1:2 yk(i)=yk(i-1); end yk(1)=y(k); end plot([1:L],thetae); %line([1,L],[theta,theta]); xlabel('k'); ylabel('参数估计a、b'); legend('a_1','a_2','b_0','b_1'); axis([0 L -2 2]);

2003版系统辨识最小二乘法大作业

西北工业大学系统辩识大作业 题目：最小二乘法系统辨识

一、 问题重述： 用递推最小二乘法、加权最小二乘法、遗忘因子法、增广最小二乘法、广义最小二乘法、辅助变量法辨识如下模型的参数 离散化有 z^4 - 3.935 z^3 + 5.806 z^2 - 3.807 z + 0.9362 ---------------------------------------------- = z^4 - 3.808 z^3 + 5.434 z^2 - 3.445 z + 0.8187 噪声的成形滤波器 离散化有 4.004e-010 z^3 + 4.232e-009 z^2 + 4.066e-009 z + 3.551e-010 ----------------------------------------------------------------------------- = z^4 - 3.808 z^3 + 5.434 z^2 - 3.445 z + 0.8187 采样时间0.01s 要求：1.用Matlab 写出程序代码； 2.画出实际模型和辨识得到模型的误差曲线； 3.画出递推算法迭代时各辨识参数的变化曲线； 最小二乘法: 在系统辨识领域中 ,最小二乘法是一种得到广泛应用的估计方法 ,可用于动态 ,静态 , 线性 ,非线性系统。在使用最小二乘法进行参数估计时 ,为了实现实时控制 ,必须优化成参数递推算法 ,即最小二乘递推算法。这种辨识方法主要用于在线辨识。MATLAB 是一套高性能数字计算和可视化软件 ,它集成概念设计 ,算法开发 ,建模仿真 ,实时实现于一体 ,构成了一个使用方便、界面友好的用户环境 ,其强大的扩展功能为各领域的应用提供了基础。对 4324326.51411.5320120232320 Y s s s s G U s s s s ++++== ++++432 120120232320 E N W s s s s == ++++

系统辨识方法

系统辨识方学习总结 一．系统辨识的定义 关于系统辨识的定义，Zadeh是这样提出的：“系统辨识就是在输入和输出数据观 测的基础上，在指定的一组模型类中确定一个与所测系统等价的模型”。L.Ljung也给 “辨识即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。出了一个定义： 二．系统描述的数学模型 按照系统分析的定义，数学模型可以分为时间域和频率域两种。经典控制理论中微 分方程和现代控制方法中的状态空间方程都是属于时域的范畴，离散模型中的差分方程 和离散状态空间方程也如此。一般在经典控制论中采用频域传递函数建模，而在现代控 制论中则采用时域状态空间方程建模。 三．系统辨识的步骤与内容 (1)先验知识与明确辨识目的 这一步为执行辨识任务提供尽可能多的信息。首先从各个方面尽量的了解待辨识的 系统，例如系统飞工作过程，运行条件，噪声的强弱及其性质，支配系统行为的机理等。 对辨识目的的了解，常能提供模型类型、模型精度和辨识方法的约束。 (2)试验设计 试验设计包括扰动信号的选择，采样方法和间隔的决定，采样区段（采样数据长度 的设计）以及辨识方式（离线、在线及开环、闭环等的考虑）等。主要涉及以下两个问 题，扰动信号的选择和采样方法和采样间隔 (3)模型结构的确定 模型类型和结构的选定是决定建立数学模型质量的关键性的一步，与建模的目的， 对所辨识系统的眼前知识的掌握程度密切相关。为了讨论模型和类型和结构的选择，引 入模型集合的概念，利用它来代替被识系统的所有可能的模型称为模型群。所谓模型结 构的选定，就是在指定的一类模型中，选择出具有一定结构参数的模型M。在单输入单 输出系统的情况下，系统模型结构就只是模型的阶次。当具有一定阶次的模型的所有参 数都确定时，就得到特定的系统模型M，这就是所需要的数学模型。 (4)模型参数的估计 参数模型的类型和结构选定以后，下一步是对模型中的未知参数进行估计，这个阶 段就称为模型参数估计。

系统辨识习题解答

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 MA 模型z k D z u k ()()()=-1 ② 定义ττθ)](,),1(),([)(,],,,[10n k u k u k u k d d d n --==ΛΛh 解：因为MA 模型z k D z u k ()()()=-1，其中 n n z d z d d z D ---+++=Λ1101)(，从而 所以当定义ττθ)](,),1(),([)(,],,,[10n k u k u k u k d d d n --==ΛΛh ，则有最小二乘格式： )()()()()(0k e k k e k h d k z n i i i +=+=∑=θτ ， 其中e(k)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 即 )()()()(11k v z D k e z C --= 其中 c c n n z c z c z C ---+++=Λ1111)( 根据其结构，噪声模型可区分为以下三类： 自回归模型（AR 模型）： )()()(1k v k e z C =- 平均滑动模型（MA 模型）： )()()(1k v z D k e -= 自回归平均滑去模型（ARMA 模型）： )()()()(11k v z D k e z C --= 3－4、根据离散Wiener-Hopf 方程，证明 解：由于M 序列是循环周期为t N P ?，12-=P P N ，t ?为M 序列移位脉冲周期，自相关函数 近似于δ函数，a 为M 序列的幅度。设数据的采样时间等于t ?，则离散Wiener-Hopf 方程为： 当M 序列的循环周期t N P ?大于过程的过渡过程时间时，即P N 充分大时，离散Wiener-Hopf 方程可写成：

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。系统辨识包括两个方面：结构辨识和参数估计。在实际的辨识过程中，随着使用的方法不同，结构辨识和参数估计这两个方面并不是截然分开的，而是可以交织在一起进行的 一、控制对象 本文采用了控制不同电机转速组合的方法，对四轴旋翼蝶形飞行器进行姿态控制，使四旋翼蝶形飞行器在不同姿态下飞行时具有较好的性能。为了实现四轴旋翼蝶形飞行器的飞行控制，对飞行的控制系统进行了初步的设计，并给出了设计流程。同时利用matlab对四轴旋翼

系统辨识经典辨识方法

经典辨识方法报告 1. 面积法 辨识原理 分子多项式为1的系统 1 1 )(11 1++++= --s a s a s a s G n n n n Λ……………………………………………（） 由于系统的传递函数与微分方程存在着一一对应的关系，因此，可以通过求取微分方程的系数来辨识系统的传递函数。在求得系统的放大倍数K 后，要先得到无因次阶跃响应y(t)（设τ=0）。大多数自衡的工业过程对象的y(t)可以用下式描述来近似 1)() ()()(a 111=++++--t y dt t dy a dt t y d a dt t y d n n n n K ……………………………（） 面积法原则上可以求出n 为任意阶的各系数。以n=3为例，注意到 1|)(,0|)(d |)(d |)(d 23====∞→∞→∞→∞→t t t t t y dt t y dt t y dt t y …………………………（） 将式（）的y(t)项移至右边，在[0，t]上积分，得 ?-=++t dt t y t y a dt t dy a dt t y d a 01223 )](1[)() ()(…………………………………（） 定义 ?-=t dt t y t F 01)](1[)(……………………………………………………………（） 则由式（）给出的条件可知，在t →∞ ?∞ -=01)](1[a dt t y ……………………………………………………………（） 将式a 1y(t)移到等式右边，定义 )()]()([)() (a 201123 t F dt t y a t F t y a dt t dy t =-=+?…………………………………（） 利用初始条件（）当t →∞时 )(a 22∞=F …………………………………………………………………… （） 同理有a 3=F 3(∞) 以此类推，若n ≥2，有a n =F n (∞) 分子、分母分别为m 阶和n 阶多项式的系统

自适应控制习题(系统辨识)(2020年整理).pdf

自适应控制习题 （徐湘元，自适应控制理论与应用，电子工业出版社，2007） 【2-1】 设某物理量Y 与X1、X2、X3的关系如下：Y=θ1X 1+θ2X 2+θ3X 3 由试验获得的数据如下表。试用最小二乘法确定模型参数θ1、θ2和θ3 X1: 0.62 0.4 0.42 0.82 0.66 0.72 0.38 0.52 0.45 0.69 0.55 0.36 X2: 12.0 14.2 14.6 12.1 10.8 8.20 13.0 10.5 8.80 17.0 14.2 12.8 X3: 5.20 6.10 0.32 8.30 5.10 7.90 4.20 8.00 3.90 5.50 3.80 6.20 Y: 51.6 49.9 48.5 50.6 49.7 48.8 42.6 45.9 37.8 64.8 53.4 45.3 【2-3】 考虑如下模型 )()(3.03.115.0)(212 1t w t u z z z z t y ++?+=???? 其中w(t)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),分别采用批处理最小二乘法、具有遗忘因子的最小二乘法（λ=0.95）和递推最小二乘法估计模型参数（限定数据长度N 为某一数值，如N=150或其它数值），并将结果加以比较。 【2-4】 对于如下模型 )()1.065.01()()5.0()()15.08.01(213221k w z z k u z z k y z z ??????+?++=+? 其中w(k)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),分别采用增广最小二乘法和随机逼近法进行模型参数估计，并比较结果。 （提示：w(t)可以用MATLAB 中的函数“randn ”产生）。 【3-1】 设有不稳定系统： )()9.01()()1(111k u z z k y z ???+=? 期望传递函数的分母多项式为)5.01()(11???=z z Am ，期望输出m y 跟踪参考输入r y ，且无稳态误差。试按照极点配置方法设计控制系统，并写出控制表达式。 【3-2】 设有被控过程： )()2.11()()6.07.11(1221k u z z k y z z ????+=+? 给定期望传递函数的分母多项式为)08.06.01()(211???+?=z z z A m ，试按照极点配置方法设计控制系统，使期望输出无稳态误差，并写出控制表达式u(k)。

系统辨识最小二乘法大作业 (2)

系统辨识大作业 最小二乘法及其相关估值方法应用 学院：自动化学院 学号： 姓名：日期：

基于最小二乘法的多种系统辨识方法研究 一、实验原理 1.最小二乘法 在系统辨识中用得最广泛的估计方法是最小二乘法(LS)。 设单输入-单输出线性定长系统的差分方程为 (5.1.1) 式中:为随机干扰；为理论上的输出值。只有通过观测才能得到，在观测过程中往往附加有随机干扰。的观测值可表示为 (5.1.2) 式中:为随机干扰。由式(5.1.2)得 (5.1.3) 将式(5.1.3)带入式(5.1.1)得 (5.1.4) 我们可能不知道的统计特性，在这种情况下，往往把看做均值为0的白噪声。 设 (5.1.5) 则式(5.1.4)可写成 (5.1.6) 在观测时也有测量误差，系统内部也可能有噪声，应当考虑它们的影响。因此假定不仅包含了的测量误差，而且包含了的测量误差和系统内部噪声。假定是不相关随机序列(实际上是相关随机序列)。 现分别测出个随机输入值，则可写成个方程，即 上述个方程可写成向量-矩阵形式 (5.1.7) 设 则式(5.1.7)可写为

(5.1.8) 式中：为维输出向量；为维噪声向量；为维参数向量；为测量矩阵。因此式(5.1.8)是一个含有个未知参数，由个方程组成的联立方程组。如果，方程数少于未知数数目，则方程组的解是不定的，不能唯一地确定参数向量。如果，方程组正好与未知数数目相等，当噪声时，就能准确地解出 (5.1.9) 如果噪声，则 (5.1.10) 从上式可以看出噪声对参数估计是有影响的，为了尽量较小噪声对估值的影响。在给定输出向量和测量矩阵的条件下求系统参数的估值，这就是系统辨识问题。可用最小二乘法来求的估值，以下讨论最小二乘法估计。 2.最小二乘法估计算法 设表示的最优估值，表示的最优估值，则有 (5.1.11) 写出式(5.1.11)的某一行，则有 (5.1.12) 设表示与之差，即 - (5.1.13)式中 成为残差。把分别代入式(5.1.13)可得残差。设 则有 (5.1.14) 最小二乘估计要求残差的平方和为最小，即按照指数函数 (5.1.15) 为最小来确定估值。求对的偏导数并令其等于0可得 (5.1.16) (5.1.17)