梯度校正参数辩识方法 []...

《梯度校正参数辩识方法 []...》由会员分享，可在线阅读，更多相关《梯度校正参数辩识方法 []...（96页珍藏版）》请在金锄头文库上搜索。

1、1,.,第6章 梯度校正参数辩识方法,2,6.1 引言 6.2 确定性问题的梯度校正参数辨识方法 6.3 随机性问题的梯度校正参数辨识方法 6.4 状态方程的参数辨识 6.5 差分方程的参数辨识 6.6 随机逼近法,3,6.1 引言,最小二乘类参数辩识递推算法 新的参数估计值=老的参数估计值+增益矩阵 新息 梯度校正参数辨识的递归算法的结构如同上式，但其基本思想与最小二乘类算法不同，它是通过沿着如下准则函数的负梯度方向，逐步修正模型参数估计值，直至准则函数达到最小：其中 代表模型输出与系统输出的偏差。,4,本章主要讨论的问题： 确定性问题的梯度校正参数辨识方法； 随机性问题的梯度校正参数辨识方

2、法； 梯度校正参数辨识方法在动态过程辨识中的应用； 随机逼近法。,5,6.2 确定性问题的梯度校正参数辩识方法,确定性问题的输入和输出都是可以准确的测量，没有噪声。 设过程的输出参数 的线性组合如果输出 和输入 是可以准确测量的，则 式过程称作确定性过程,6,确定性过程置,过程,7,若过程参数的真值记作则在离散时间点可写成其中,8,例如用差分方程描述的确定性过程可以化成,9,现在的问题如何利用输入输出数据 和确定参数 在 时刻的估计值使准则函数式中,10,解决上述问题的方法可以是梯度校正法，通俗地说最速下降法沿着 的负梯度方向不断修正 值直至 达到最小值,11,梯度校正参数辨识方法的参数估计递

3、推形式可以由下式给出 - 维的对称阵，称作加权阵- 准则函数 关于 的梯度,12,当准则函数 取 式时,13,式可写成- 确定性问题的梯度校正参数估计递推公式其中权矩阵的选择至关重要，它的作用是用来控制各输入分量对参数估计值的影响程度。,14,权矩阵 的作用是用来控制各输入分量对参数估计的影响程度的，一般地，我们选择权矩阵的形式为 只要适当选择 ，就能控制各输入分量 对参数估计值的影响。例如，如果选择意味着输入分量 对参数估计值的影响较 弱，显然这种情况 对参数估计值的影响最小。如果选择 则各输入分量的加权值相同，它们对参数估计值的影响是相同的。,15,定理6.1: 确定性问题的梯度校正参数辨

4、识方法的参数估计递推公式为：并且权矩阵选取如下形式：,如何合理地选择权矩阵，由下面的定理给出。,16,如果R (k)满足如下条件： （1） （2）N个 中至少存在一个 ，使得或（3）,17,（4） 与 不正交那么不管参数估计值的初始值如何选取，参数估计值 总是大范围一致渐近收敛的，即注意：条件1确定了权的选择范围，条件2是推导条件3的前提，条件3是保证参数估计全局一致收敛的条件。,证明思路 根据定义，参数估计值的偏差为 可得,设标量函数,可以证明V是上述动态方程的Lyapunov 函数，利用Lyapunov稳定性定理可以证明，当条件（2）、（3）成立时，上述方程在平衡状态 点上是大范围一致渐近

5、稳定的。,（a） ，对于所有的 ；（b） ，对于所有的 ；（c）当 时，有 ；（d） ，对所有的 。由定理给定的条件可知（a）、（b）和（c）一定满足。,20,权矩阵的选择,一般的选择或者,21,最佳权矩阵的选择（Lyapunov最佳权矩阵）,22,注意 权矩阵 的作用是控制各输入分量对参数估计的影响程度； 若 与 正交，或k大于一定的值后 与 正交，则得不到全局稳定性，即 时， 不趋于零。,23,6.3 随机性问题的梯度校正参数辩识方法,随机性问题的提法确定性问题的梯度校正法与其他辩识方法相比最大的优点：计算简单缺点：如果过程的输入输出含有噪声，这种方法不能用随机性问题的梯度校正法特点：计算

6、简单，可用于在线实时辩识缺陷：事先必须知道噪声的一阶矩和二阶矩统计特性,随机性问题,24,25,设过程的输出模型参数 的线性组合输入输出数据含有测量噪声,26,其中和 为零均值的不相关随机噪声,27,置则,28,现在的问题利用输入输出数据 和确定参数 在 时刻的估计值使准则函数其中,29,30,此问题满足以下条件 （1） ；即 与 相互独立， 的方差不必已知； （2） ， 为正定常数矩阵，不必已知； （3）输入向量的测量噪声 是零均值，协方差为 的不相关离散随机向量，且与 和 是统计独立的。即,第二类问题 测量噪声w(k)中有一部分分量与h(k)是相关的。,31,32,此问题满足以下条件 （1

7、） ；其中 是测量噪声 ， 是扰动噪声，扰动噪声通过动态环节与 相关。已知 ，其方差不必先知。 （2） ， 为正定常数矩阵，不必已知； （3）输入向量的测量噪声 是零均值，协方差为 的不相关离散随机向量，且与 和 是统计独立的。即,33,第三类随机性辨识问题 此问题不仅 与 相关，而且 也和 相关。,第三类随机性辨识问题,34,35,随机性问题的梯度校正参数辨识方法 基本思想与确定性问题一样，也是利用最速下降法原理，从给定的初始值 出发，沿着准则函数 的负梯度方向修正参数估计值 ，直至准则函数 达到最小值 。基本公式：,（A） 注意，此式给出的参数估计是渐近有偏估计，注意步长选择的原则是使第一

8、、二类随机性辨识问题的条件（条件方差）： 满足。,36,定理6.2：对于第二类随机性辨识问题，利用（A）式所获得的参数估计值是渐近有偏的估计值，即：其中： 是过程的真实参数，且,37,推论6.1：对于第一类随机性辨识问题，当输入向量不含测量噪声时，利用（A）式所获得的参数估计值是渐近无偏的估计值，即,38,1.第一类随机性辨识问题的梯度校正渐近无偏估计算法,由第一类问题的条件， 有，因此而,因此，修正（A）式，在（A）式的右边增加一项,39,此时有：即 是 的渐近无偏估计。由此可以得到第一类随机性辨识问题的梯度校正渐近无偏估计算法如下：（P） 注意： 是已知的，l步长的选择必须满足条件（2）。

9、,40,2. 第二类随机性辨识问题的梯度校正渐近无偏估计算法,由第二类问题的条件，有 ，为了获得参数的渐近无偏估计，必须在（A）式中增加两项，即需要增加 ： 和 两项。于是可得第二类随机性辨识问题的梯度校正渐近无偏估计算法如下：注意：此时要求 和 已知。,（B）,41,如果 与 之间具有以下的线性关系：其中： 是N维向量，M是n阶方阵。此时可用 来估计 ，即取 ，由此，（B）式可以写成：此时有： 因此（C）式可以作为第二类随机性辨识问题的梯度校正渐近无偏估计算法，此时的 和M为参变量，由实际问题可以唯一确定。,（C）,42,3. 步长间隔的选择,选择的基本原则：使输入向量 与参数估计值 不相关

10、。 由估计式（P）和（C），我们有：其中 代表函数关系 当 时：当 时,43,以此类推，得到：由此可知， 时刻的参数估计值 与时刻 以前的信息，即输入向量 、输入测量噪声 及输出测量噪声 是相关的。,44,由此，选择步长间隔l使输入向量 与参数估计值 不相关的问题，可以转变成选择步长间隔l使与时刻 以前的信息不相关的问题。根据第一、二类随机性辨识问题的条件，已知 与 时刻以前的 和 是不相关的，所以只要选择l，使得 与 不相关，就可以使得条件（2）成立，保证估计式（P）和（C）都是渐近无偏估计。,45,结论：选择l，必须使得输入向量 与 统计不相关。一般做法：过程是n阶的差分方程形式，则步长l

11、选择不能低于阶次n。,46,4.权矩阵的选择,估计式（P）和（C）是第一、二类随机性辨识问题的渐近无偏估计式，只要选择步长l，使得 与 不相关即可。但此时估计式并不是均方一致估计或依概率一致估计，即有：但(D)两式不一定成立。,47,问题：如何选择权矩阵使得（D）式成立？,定理6.3：假设步长选择满足 与 不相关，且如果权矩阵选择如下形式,（E）,48,满足：则由（P）和（C）给出的参数估计值 在均方意义下一致收敛或依概率1收敛。,49,注意： 条件（E）是比较弱的条件，一般问题都能满足；中的 可取可以分段选择 ，加快收敛速度。,50,6.4 状态方程的参数辨识（梯度校正法）,要解决的关键问题：为了处理第二类随机辨识问题，其梯度校正渐近无偏递推估计算法为：其中： ，用 来估计 ，其中 ，因此如何选择参变量 和方阵M是用此方法的关键。,51,考虑SISO过程，状态方程描述如下：（A）其中：,