L.A.Zadeh曾给辨识下过这样的定义:“辨识就是在输入和输出数据的基础上,从一组给定的模型类中,确定一个与所测系统等价的模型。”这个定义明确了辨识的三大要素:输入输出数据、模型类和等价准则。其中,数据是辨识的基础准则,是辨识的优化目标,模型类是寻找模型的范围。根据定义,辨识可以在不知道系统的任何先验知识的条件下进行,但是,实际中往往可以得到一些先验知识,如模型结构。因此,系统辨识就转化为参数估计。常见的系统辨识方法有最小二乘法 (包括遗忘因子法、限定记忆法、偏差补偿法、增广最小二乘、广义最小二乘、辅助变量法、二步法及多步最小二乘法等)、改进最小二乘法、基于bootstrap方法的辨识方法、粒子群优化法、模糊辨识方法和神经网络方法。其中基于最小二乘法的辨识方法最为成熟和常用。下面通过二阶加零点及滞后时间模型给出该辨识算法。
二阶加零点及滞后时间过程传递函数为
该过程的阶跃响应输出的拉氏变换为
对其进行反拉普拉斯变换,得
式中 a——阶跃信号的幅值;
ω(t)——迭加在过程输出上均值为0的平稳随机噪声信号。
式(2-3)可整理为
则式(2-4)可表示为
因此,参数θ的最小二乘估计值为
对于t=ti≥L,i=1,2,…,N 时刻的阶跃响应采样数据,由式(2-5)可构成如下的回归表达式:(www.xing528.com)
因此,参数θ的最小二乘估计值为
对应模型的参数值,如下确定:
对应模型的参数值,如下确定:
同理可确定其他模型的参数:
(1)二阶加滞后时间模型各向量组成。
同理可确定其他模型的参数:
(1)二阶加滞后时间模型各向量组成。
(2)一阶加滞后时间模型各项量组成。
(2)一阶加滞后时间模型各项量组成。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。