内容发布更新时间 : 2024/12/23 10:40:08星期一 下面是文章的全部内容请认真阅读。

1最小二乘法的理论基础

1.1最小二乘法

设单输入单输出线性定长系统的差分方程表示为：

y?k???a1y?k?1??a2y?k?2??b0u?k??b1u?k?1???any?k?n???bnu?k?n????k?其中δ(k)为服从N(0,1)的随机噪声,现分别测出n+N个输出输入值y(1),y(2),…,y(n+N),u(1),u(2),…,u(n+N),则可写出N个方程，写成向量－矩阵形式

?y?n?1????y?n????yn?2???????y?n?1???????yn?N???????y?n?N?1????y?1??y?2?u?n?1?u?n?2??y?N?u?n?N?u?1???u?2?????u?N???

?a1?????n?1???????an????n?2?????????b0???????n?N?????????bn???a1????y?n?1?????n?1??????????yn?2a?n?2????n?,????,????y??????b0????????yn?N?n?N????????????????bn???y??y?n?1 ?1?u?n?1???y?n?1??y?2?u?n?2??????(4.1.1)

u?1???u?2????

则式(1.1.1)可写为 y ? ? （4.1.2） ? ??式中：y为N维输出向量；ξ为N为维噪声向量；θ为（2n+1）维参数向量；Φ为N×（2n+1）测量矩阵。因此，式（4.1.1）是一个含有（2n+1）个未知参数，由N个方程组成的联立方程组。

????1y???1?

在给定输出向量y和测量矩阵Φ的条件下求参数θ的估计，这就是系统辨识问题。 设 ? ? 表示 式中：

? ? ? ? ? （4.1.3） ? 的估计值，?表示y的最优估计，则有 y?1??a????n?1???y??????n?y?n?2????a???y,????? ???b0??????yn?N???????????bn??设e(k)=y(k)- ?(k), e(k)称为残差，则有e=y- ?=y-Φθ 最小二乘估计要求残差的平方和最小，即按照指数函数

?J?eTe?y???求Ｊ对 ? ? 的偏导数并令其等于0可得：

???y?????T（4.1.4）

?J??0??2?Ty???????????Ty?T??由式（4.1.5）可得的

（4.1.5）

? 最小二乘估计：

????T???Ty??1（4.1.6）

J为极小值的充分条件是：

?2JT????02???即矩阵ΦTΦ为正定矩阵，或者说是非奇异的。 1.1.1最小二乘法估计中的输入信号

当矩阵ΦTΦ的逆阵存在是，式（1.1.6）才有解。一般地，如果u(k)是随机序列或伪随机二位式序列，则矩阵ΦTΦ是非奇异的，即（ΦTΦ）－1存在，式（1.1.6）有解。 现在从ΦTΦ必须正定出发，讨论对u(k)的要求。

???Tn?N?1?k?n??yy?2 ??uy?yu??uu??（4.1.7）

当N足够大时有

?Ry1TW.P.1???????N?RyuRuy??RRu??（4.1.8）

如果矩阵ΦTΦ正定，则Ru是是对称矩阵，并且各阶主子式的行列式为正。当N足够大时，矩阵Ru才是是对称的。

由此引出矩阵ΦTΦ正定的必要条件是u(k)为持续激励信号。如果序列{u(k)}的n+1阶方阵Ru是正定的，则称{u(k)}的n+1阶持续激励信号。 下列随机信号都能满足Ru正定的要求 1. 2. 3.

有色随机信号 伪随机信号 白噪声序列

1.1.2最小二乘估计的概率性质 最小二乘估计的概率性质 1） 无偏性

由于输出值y是随机的，所以?是随机的，但注意θ不是随机值。

?是?无偏估计 ??E?????，则称?如果E?2）一致性

估计误差?的方差矩阵为

?12???1????T?Var??E????????N??N????（4.1.9）

??lim?R?1?0,w.p.1limVar?N??N??N上式表明当N→∞时，?以概率1趋近于θ。

当ξ(k)为不相关随机序列时，最小二乘估计具有无偏性和一致性 3)有效性

2如果式（1.1.2）中的ξ的均值为0且服从正态分布的白噪声向量，则最小二乘参数估计值 为有效值，参数??估计偏差的方差达到Cramer-Rao不等式的下界，即

?12T?Var???E?????M?1式中M为Fisher矩阵，且

??（4.1.10）

4）渐近正态性

??????lnpy/?M?E??????????????T???lnpy/??????????????????（4.1.11）

?服从正态分布，如果式（4.1.2）中的ξ是均值为0且服从正态分布的白噪声向量，则最小二乘参数估计值?即

?N?,?2E??T???3

???1??（4.1.2）

1.2递推最小二乘法

为了实现实时控制，必须采用递推算法，这种辨识方法主要用于在线辨识 设已获得的观测数据长度为N，则

估计方差矩阵为 式中 于是

2Var???2??T???PN?NN?1YN??N???N（4.2.1）

N????T???TY?NNNN?1PN???TN?N??1??N?PN?TNYN如果再获得1组新的观测值，则又增加1个方程

得新的参数估计值 式中

TyN?1??N?1???N?1??P??TY??y??N?1N?1NNN?1N?1T????N?PN?1???T??N?1??????N???1??1T??T????PN??N?1?N?1??N?1????1应用矩阵求逆引理，可得PN?1和PN的递推关系式

矩阵求逆引理 设A为n×n矩阵，B和C为n×m矩阵，并且A，A＋BCT和I+CTA-1B都是非奇异矩阵，则有矩阵恒等式

?A?BCT??A?1?A?1B?I?CTA?1B?CTA?1?1?1（4.2.2）

得到递推关系式

TTTPN?1?PN?PN?N?1?I??NPN?N?1??N?1PN?1由于?NPN?N?1是标量，因而上式可以写成

TTPN?1?PN?PN?N?1?1??NPN?N?1??N?1PN?1T?????K??N?1NN?1yN?1??N?1?N最后，得最小二乘法辨识公式

???1（4.2.3）

TKN?1?PN?N?1?1??NPN?N?1??1TTPN?1?PN?PN?N?1?1??N?1PN?N?1??N?1PN（4.2.4）

有2种给出初值的办法

（1）设N0（N0>n）为N的初始值，可算出

??P?TYPN0????N0?,?N0N0N0N0TN0?1（4.2.5）

4

??0,P?c2I,C是充分大的常数，I为(2n+1) ×(2n+1)单位矩阵，则经过若干次递推之后能得到（2）假定?00较好的参数估计。[1][2][4]

2两种算法的实现方案

2.1最小二乘法一次完成算法实现

?取好足够的输入—输出数据以后一次计算出来，那么这种算法就式最小二乘法的一如果把式（1.1.6）中的?次完成法。

2.1.1最小二乘一次完成算法程序框图

2.1.2一次完成法程序 具体程序参见附录4

2.1.3一次完成算法程序运行结果 ans =

1.5000 0.7000 1.0000 0.5000 a1 = 1.5000 a2 = 0.7000 b1 =

1.0000

赋输入信号初值u 定义输出观测值的长度并计算系统的输出值 画出输入和输出观测值的图形 给样本矩阵HL和zL赋值 计算参数?? 从??中分离出并显示出被辨识参数a1, a2, b1, b2 停机 图3.2 最小二乘一次完成算法程序框图 5