系统辨识1

第四章

系统辨识与参数估计

4.1 系统辨识概述

4.2 非参数模型辨识

4.3 最小二乘参数估计

4.4 递推最小二乘数估计

4.5 其它最小二乘类估计的思想

4.6 预报误差法

4.7 极大似然估计法

4.8 子空间方法

4.9 闭环辨识

2012年5月29日星期二3第八讲1

4. 1 系统辨识概述

2012年5月29日星期二3第八讲2

2012年5月29日星期二3第八讲

系统辨识：

是在过程输入和输出观测的基础上，

从指定的一类模型中确定一个与系统

等价的模型。

（１）模型类

?模型结构形式的选择，必须考虑过程的本质特点、模型的应用目的和精度要求,在模型精度和复杂性之间进行选择，既要有效，又要实用。也就是说一个理想模型应能反映系统全部的实质性信息、具有足够的精度以满足应用的要求、模型阶次较低、参数较少、实现费用较低。

2012年5月29日星期二3第八讲4

2012年5月29日星期二3第八讲5

2012年5月29日星期二3第八讲6

2012年5月29日星期二3第八讲7

（２）观测信息

?能够反映系统主要动态特征的输入信息Ｕ和输出信息Y。

（３）目标函数

?目标函数也称为误差准则，它用来衡量模型接近实际过程的程度，通常被表示为某个误差函数的泛函

2012年5月29日星期二3第八讲8

2012年5月29日星期二3第八讲9

2012年5月29日星期二3第八讲10

2012年5月29日星期二3第八讲11

2012年5月29日星期二3第八讲12

2012年5月29日星期二3第八讲13

系统辨识理论及应用（1）

? 早在16世纪，天文学家开普勒通过火星观测数据发现行星运动三大规律,从

而建立了行星运动的数学模型。18世纪数学家高斯提出最小二乘法，奠定了

系统辨识参数估计的基石。

? Ho和Kalman在1965年提出了基于脉冲响应数据的确定性系统最小状态空间

实现理论，即先由系统的脉冲响应确定最小实现的状态维数，然后通过

Hankle矩阵解出状态空间方程的系统与输出矩阵。通过与协方差相关性方法

结合，该理论由脉冲输入的确定性系统扩展到一般输入输出的随机系统，进

而演变成为子空间辨识方法。

2012年5月29日星期二3第八讲14

系统辨识理论及应用（2）

? 预报误差法是在预报误差准则和输入输出（时间序列）模型基础上发展起来的一系列时域方法的总称。1965年，?str?m和Bohlin [12]在基于时间序列分析（Time Series Analysis）和极大似然（Maximum Likelihood）框架，对一系列包含回归的差分方程模型进行了参数估计，从而为预报误差法构建了理论框架。

?Box和Jenkins在他们的专著中给出了依赖于相关性分析进行模型结构确定和参数辨识的系统化方法。在此后的一段时间内，预报误差法理论逐步成熟并且在实际中进行了各种应用。Ljung的专著是预报误差法的集大成者和系统辨识经典参考书，基于该书方法编写的Matlab System Identification Toolbox已经成为系统辨识应用的必备工具。

2012年5月29日星期二3第八讲15

系统辨识理论及应用（3）

?在众多相关问题的研究中，多变量系统（MIMO System）辨识问题和闭环系统（Closed-Loop System）可辨识性（Identifiability）问题最为引人关注。

?在闭环系统可辨识性研究方面，控制界权威?str?m的3位杰出瑞典学生Gustavsson，Ljung和S?derstr?m在1976-1977年联合发表了讨论闭环可辨识性条件的重要论文，Goodwin等随后基于闭环系统的可辨识性对三类闭环辨识方法进

行了研究：（1）直接法（Direct Approach），即将闭环系统视为开环，直接采

用预报误差法对多变量系统控制对象进行辨识;（2）间接法(Indirect Approach)，即先对控制器和控制对象进行整体建模，再根据已知的控制器参数

得到控制对象模型参数；（3）输入输出联合方法（Joint Input-Output Approach）则将系统输入与输出联立得到扩展模型，不需要预知控制器参数。

2012年5月29日星期二3第八讲16

? 在20世纪60-70年代早期，系统辨识的主流思想是在一组模型中找出最精确的

模型。因此研究的焦点主要集中在如何使参数估计值尽快收敛到真值，以及估计

的统计特性问题上。

? 70年代中期，系统辨识的目标从传统的寻找系统真实模型转向寻找系统的最佳

近似模型。辨识的目的不再仅限于精确辨识模型参数，还注重模型误差的特性分析。其中最关键的概念是Ljung引入的传递函数模型估计误差方差。

?在此基础上，Ljung的专著[15]阐述了以模型用途为中心，全面考虑实验条件、

模型结构、模型误差准则等因素进行系统辨识设计的理念。自20世纪90年代至今，Ljung的“系统辨识设计”理念在“为模型控制服务的系统辨识（System Identification for Model-Based Control）”领域得到广泛应用，并且推动了实验设计、闭环辨识、频域辨识、不确定性估计、基于数据的鲁棒控制等各方面研究的

发展。

2012年5月29日星期二3第八讲17

?EV(Errors-in-Variables)模型也被称为测量误差(Measurement Error)模型，即

自变量和因变量都带有误差的回归模型。基于这类模型的辨识是系统理论发展的

另一个热点。相比传统模型，EV模型更符合实际测量情况，然而在此框架下模型参数的可辨识性问题更具有挑战性。极大似然估计（Maximum Likelihood Estimation），全体最小二乘估计（Total Least Squares Estimation）以及辅助

变量法（instrumental variables Method）是进行EV辨识的三种主要的辨识方法。

2012年5月29日星期二3第八讲18

? 系统辨识的应用价值已在实践中得到证实，其应用方向主要有：（1）估计具

有特定物理意义的参数, 如过程模型的时间常数, 机械系统的转动惯量, 土木基础

设置的结构刚度，经济、生物、生态系统的参数等；（2）预测具有特定综合意

义的指标，如气象中的气温预测、大气污染扩张预测、市场走向趋势、机械系统

故障诊断等；（3）支持系统性能与过程仿真，为控制系统设计提供模型。如石

化生产过程流程模拟、生产操作过程的仿真培训，各种过程控制中的实时建模以

及控制器性能评估等。可以说，所有需要在线或离线建立动力学模型的应用领域中，都能采用辨识技术。

2012年5月29日星期二3第八讲19

4. 2 非参数模型估计

2012年5月29日星期二3第八讲20

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

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 neural networks WeiLu (College of Electrical and Control Engineering, Xi’an University of Science and Technology，Xi’an 710054,China) Abstract：BP neural network is the abbreviation of erroneous reverse transmission neural network, which provides a model of dealing with nonlinear problems.In this paper, the second-order system with noise, and puts forward the improved BP neural network to second order system modeling method. In order to achieve an accurate identification of the system.Through the simulation experiment the error between the output of neural network and the output of identification system is very small(The error<0.1% when k>=8). First, introduced the artificial neural network system identification aspects of development and research,Then, introduced the conventional BP algorithm and improved BP algorithm,Finally, Through an example of a specific second-order system fully proved that the improved BP neural network has good recognition 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)(

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

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：

系统辨识中的实际问题

第四章系统辨识中的实际问题 §4 —1 辨识的实验设计一、系统辨识的实验信号实验数据是辨识的基础，只有高质量的数据才能得出良好的数学模型，而且实验数据如果不能满足起码的要求，辨识根本得不出解。系统辨识学科是在数理统计的时间序列分析的基础上发展起来的，两者的区别在于系统辨识的对象存在着人为的激励（控制）作用，而时序分析则没有。因此，前者能通过施加激励信号u(k)达到获得较好辩识结果的目的（即实验信号的设计），而后者不能。（一）系统辨识对实验信号的最起码的要求为了辨识动态系统，激励信号u 必须在观测的周期内对系统的动态持续地激励。满足辨识对激励信号最起码的要求的持续激励信号应具备的条件称“持续激励条件”，分以下四种情况讨论： 1．连续的非参数模型辨识（辩识频率特性）如果系统通频带的上下限为 ωmin ≤ ω ≤ ωmax ,要求输入信号的功率密度谱在此范围内不等于零。 ) () ()}({)}({)(ωωωj U j Y t u F t y F j G = =

2．连续的参数模型辨识被辩识的连续传函为，共包含(m+n+1)个参数对于u(t)的每一个频率成分ωi 的谐波，对应的频率响应有一个实部R(ωi )和一个虚部Im(ωi )，由此对应两个关系式（方程），能解出两个未知参数。因此，为辩识(m+n+1)个参数，持续激励信号至少应包含： j ≥( m+n+1 )/2 个不同的频率成分。 3．离散的脉冲响应 g(τ)的辨识 g(τ) ;τ = 0,1,..m ，假设过程稳定，当 τ > m 时 g(τ)= 0 。由维纳—何甫方程有： R uy (τ )=∑ g(σ)R uu (τ - σ) 式(4-1-1) 由上式得出(m+1)个方程的方程组: 上式表达成矩阵形式 φuy = φuu G 式（4-1-2）可解出 G = φuu -1 φuy 式（4-1-3） G s b b s b s a s a s m m n n ()= ++++++0111 R R R m R R R m R R R m R m R m R g g g m uy uy uy uu uu uu uu uu uu uu uu uu ()()()() () ()()()()() ()()()()()010******** ????????????=----??? ????????????????? ??? ??

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)

系统辨识建模

上海大学2015 ～2016学年冬季学期研究生课程考试小论文格式课程名称：系统建模与辨识课程编号： 09SB59002 论文题目: 基于改进的BP神经网络模型的网络流量预测研究生姓名: 李金田学号: 15721524 论文评语: 成绩: 任课教师: 张宪评阅日期:

基于改进的BP神经网络模型的网络流量预测 15721524，李金田 2016/3/4 摘要：随着无线通信技术的快速发展，互联网在人们的日常生活中占据了越来越重要的位置。网络中流量监控和预测对于研究网络拓扑结构有着重要的意义。本文参考BP算法，通过分析算法的优势和存在的一些问题，针对这些缺陷进行了改进。通过建立新的流量传输的传递函数，对比了经典的传递函数，并且在网络中进行了流量预测的实验和验证。新方法在试验中表现出了良好的实验性能，在网络流量预测中有很好的应用，可以作为网络流量预测的一个新方法和新思路，并且对研究网络拓扑结构有着重要的启发作用。网络流量预测在研究网络行为方面有着重要的作用。ARMA时间序列模型是比较常见的用于网络流量预测的模型。但是用在普通时间序列模型里面的一些参数很难估计，同时非固定的时间序列问题用ARMA模型很难解决。人工神经网络技术通过对历史数据的学习可能对大量数据的特征进行缓存记忆，对于解决大数据的复杂问题很合适。IP6 网络流量预测是非线性的，可以使用合适的神经网络模型进行计算。 A Novel BP Neural Network Model for Traffic Prediction of The Next Generation Network. Abstract:With the rapid development of wireless communication technology, the internet occupy an important position in people’s daily life. Monitoring and predicting the traffic of the network is of great significant to study the topology of the network. According to the BP algorithm, this paper proposed an improved BP algorithm based on the analysis of the drawback of the algorithm. By establishing a new transfer function of the traffic transmission, we compare it with the previous transmission function. Then, the function is used to do experiments, found to be the better than before. This method can be used as a new way to predict the network traffic, which has important implications for the study of the network topology. Network traffic prediction is an important research aspect of network behavior. Conventionally, ARMA time sequence model is usually adopted in network traffic prediction. However, the parameters used in normal time sequence models are difficult to be estimated and the nonstationary time sequence problem cannot be processed using ARMA time sequence problem model. The neural network technique may memory large quantity of characteristics of data set by learning previous data, and is suitable for solving these problems with large complexity. IP6 network traffic prediction is just the problem with nonlinear feature and can be solved using appropriate neural network model.

系统辨识综述

系统辨识方法综述摘要在自然和社会科学的许多领域中，系统的设计、系统的定量分析、系统综合及系统控制，以及对未来行为的预测，都需要知道系统的动态特性。在研究一个控制系统过程中，建立系统的模型十分必要。因此，系统辨识在控制系统的研究中起到了至关重要的作用。本文论述了用于系统辨识的多种方法，重点论证了经典系统辨识方法中运用最广泛的的最小二乘法及其优缺点，引出了将遗传算法、模糊逻辑、多层递阶等知识应用于系统辨识得到的一些现代系统辨识方法，最后总结了系统辨识今后的发展方向。关键字：系统辨识；最小二乘法；遗传算法；模糊逻辑；多层递阶 Abstract In many fields of natural and social science, the design of the system, the quantitative analysis of the system, the synthesis of the system and the control of the system, as well as the prediction of the future behavior, all need to know the dynamic characteristics of the system. It is very necessary to establish a system model in the process of studying a control system. Therefore, system identification plays an important role in the research of control system. This paper discusses several methods for system identification, the key argument is that the classical system identification methods using the least squares method and its advantages and disadvantages, and leads to the genetic algorithm, fuzzy logic, multi hierarchical knowledge application in system identification of some modern system identification method. Finally, the paper summarizes the system identification in the future direction of development. Keywords:System identification; least square method; genetic algorithm; fuzzy logic; multi hierarchy 第一章系统辨识概述系统辨识是研究建立系统数学模型的理论和方法。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）本质牲征的一种演算，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

系统辨识试卷B参考答案

襄樊学院2008-2009学年度上学期《系统辨识》试题 B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、（D） 2、（A） 3、（C） 4、（ABC） 5、（BCD） 6、（B）二、填空题：（每空2分，共14分） 1、图解 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、（×）非零→零 2、（√） 3、（×）完全相同→不完全相同 4、（√） 5、（×）不相同→相同 6、（√） 7、（√） 8、（√） 9、（×）灰箱→白箱 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：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，就将以前的所有数据都乘上一个加权因子ρ（0<ρ<1）,这个加权因子体现出对老数据逐步衰减的作用，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） 2、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

系统辨识考试题最终

2009-2010 学年第二学期研究生课程考核（读书报告、研究报告）考核科目：系统辨识理论及应用学生所在院：电信学院学生所在学科：信号与信息系统姓名：学号：

1. 简述系统辨识的基本概念、定义和主要步骤（15分）答：系统辨识的概念：根据系统的输入输出时间函数来确定描述系统行为的数学模型。对系统分析大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。系统辨识的定义：根据系统的输入输出时间函数来确定描述系统行为的数学模型，是现代控制理论中的一个分支。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。系统辨识的主要步骤：系统辩识包括结构辩识和参数估计两个主要内容。辩识的一般步骤如下： (1)明确目的和获取先验知识首先要尽可能多的获取关于辨识对象的先验知识和明确辩识的目的。明确目的和掌握尽可能多的先验知识往往是辨识结果好坏的重要先决条件。 (2)实验设计实验设计主要包括以下六个方面内容： a.选择观测点； b.输入信号的形状和幅度（可持续激励条件）；

c.采样间隔T0 ； d.开环和闭环辩识（闭环可辩识条件）； e.在线和离线辩识； f.测量数据的存储和预处理。 (3)模型结构的确定 (4)参数估计（Parameter Estimation） (5)模型验证模型精度是否可以接受？否则需要重复实验，重复辩识。系统辩识的内容和步骤见后示意框图。辩识目的与先知识验实验设计模型结构的确定输入/输出数据获取参数估计模型验证最终模型 2. 简述相关辨识的基本原理和基于二进制伪随机序列的相关辩识方法。（15分）答：相关辨识的基本原理如下图所示。

系统辨识课件

第一章目的：建立数学模型 1. 被控对象的数学模型不知道，复杂，无法用已知的定理、定律来推导→辨识我们可以得到观测资料→辨识辨识概念：如何从受到随即干扰的局部观测资料出发，用计算机进行处理，确定系统或过程的数学模型。 §1.1 过程和模型 1. 过程：工程系统、生物学系统、社会经济学系统等，工业生产过程。数学模型是反映系统有关变量之间关系的一组数学描述，在一般情况下，系统模型表征了该系统的输入输出之间的关系，建立数学模型就是确立这种关系。系统辨识就是建立这种关系的一种理论和方法。黑箱意味着存在一些未知东西。客观事物是复杂的，在人们认识的一定阶段，对于任何客体，我们总是有着许多情况不了解，还不能控制。把待认识的客体称为黑箱。基本出发点：根据黑箱所表现出来的输入输出信息，建立与黑箱等价的过程外特征模型。 2.模型 1）模型含义：（1）表征过程的因果关系（2）描述过程的运动规律（3）把过程本质的部分压缩成有用的描述形式模型所反映的内容将因其使用的目的而不同模型：按照过程的目的所作的一种近似的描述

)()(.^ k z k z s a ?→? “几行必然”处处相等 2）模型表现的形式图表——非参数模型，脉冲响应，频率响应数学模型：用数学结构形式反映实际过程的行为特性（差分方程、代数方程、微分方程、状态方程） 3）数学模型分类线性与非线性、静态与动态、确定性与随机性线性系统与关于参数空间线性的区别 2cx bx a y ++= y 与x 非线性，系统是非线性的，但y 对于参数对a 、b 、c 是线性的（参数空间特性）。本质线性与非本质线性把非线性模型——→线性模型（本质线性） 2 1a 2a 1A Y L L = 21a a A 、、是参数，21L L 、是输入 2211log a log a logA logy L L ++= (22110 u a u a a y ++=) （处理必须是单调的，不会产生新的极点）本书模型：集中参数、离散、定常、线性动态、随机增加数学模型类型 [1.2.1] 3. 建模方法 ①机理建模（理论模型）利用各种定理建立模型—→理论建模—→白箱理论简单过程建模 ②辨识建模—→实验建模—→黑箱建模精度高 [举例]1.2.2 ③灰箱建模 ①+② 原则：目的性、实在性、可辨识性、悭吝性（节省原理） §1.2辨识的定义就是在输入和输出的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。数据：辨识的基础（数据的获取必须引起重视）三大要素模型类：辨识的范围准则：等价原理（准则必须重视） [例 1.2.2] 辨识也可以说是在某种准则的意义下，从一定模型中选出一个与数据拟合最好的模型。

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 ，()()+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。工程实际中数据所含的噪声往往是有色噪声。所谓有色噪声指的是噪声序列中每一时刻的噪声和另一时刻的噪声是相关的。 5．设一个随机序列)},,2,1(),({L k k z ∈的均值是参数θ 的线性函数 {()}()z k k τθ=E h 其最小二乘估计为：L L L L L z H H H ΛΛθττ1WLS )(? -= 试给出其递推形式的详细推导过程，要求其最终其递推矩阵为保对称的。 P64 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 )(? -= ?? ??????????=∑∑=-=L i L i i z i i i i i 11 1)()()()()()(h h h ΛΛτ 记k 时刻的参数估计值为