系統辨識(五):系統辨識的最小二乘法基礎
一、最小二乘法的基本原理
在研究分析的過程中,經常要對一些研究物件構建數學模型來進行分析。通常在建模過程中有機理法建模和通過資料驅動的方式建模。因此怎樣確定系統的數學模型及引數———即系統辨識問題就自然被提了出來。
問題的提出:
二、最小二乘法數學模型
用最小二乘法(Least Squares Method,簡稱LS)進行引數估計,首先要指定模型類,通常情況下,採用差分方程來描述被辨識系統,且假定系統的階次已知。
三、加權最小二乘法
如果考慮到在不同時刻、不同環境下,資料的價值不同,這時可引入“加權因子”,即修正係數,對不同次的資料進行修正。
四、對於測試訊號的要求
系統可以辨識的條件:輸入訊號必須是持續激勵訊號
五、最小二乘估計值的統計性質
最小二乘估計把引數估計問題轉化成了確定性最優化問題。在求解過程當中並沒有涉及到噪聲問題。
5、結論
一種引數估計方法如果具有無偏性、一致性和有效性,那麼這種估計方法就是一種好的估計方法。
若所面向的數學模型是ARX模型,則最小二乘估計一定具有無偏性、一致性和有效性。最小二乘法是一種非常完美的引數估計方法。
六、最小二乘法的遞推演算法
遞推最小二乘法(Recursive Least Squares Method)
遞推演算法的公式推導:
遞推演算法的啟動:
七、最小二乘法的實時演算法
“實時”的含義:
⑴ 及時,計算速度快,在指定時間內完成一次估計,上述的無限增長記憶的遞推最小二乘法就具備了很好的及時性;
從原理上講,隨著觀測資料的增加,通過不斷地遞推估計,模型引數的估計精度將不斷提高(根據一致性),無限增長記憶方式的根據正在於此。
在實際應用中,常常會因為資料量的加大,而使估計精度下降且遠離引數真值。這主要是因為資料飽和現象和系統的時變性引起的。
- 資料飽和現象
隨著觀測次數的增加,資料越來越多,以至於新資料所提供的資訊被淹沒在舊資料的海洋之中,新資料所起的作用也越來越小,演算法的修正能力也越來越弱。
- 時變引數系統
當出現數據飽和後,最終可能會使 PN失去正定性、對稱性,舍入誤差將起主導作用,估計值偏離真值越來越大。
可採用加權最小二乘法來解決以上問題
7.1、漸消記憶的最小二乘遞推演算法
由於歷史資料向前按指數衰減,所以又叫做加指數窗的最小二乘法。
漸消記憶的最小二乘法常用於自適應控制系統,當u=1時,就退化成了無限增長記憶的最小二乘法。
7.2、限定記憶的最小二乘遞推演算法
漸消記憶的最小二乘法舊資料的影響有所減弱,但始終都在起作用。
限定記憶的最小二乘法(Fixed Memory Least Squares Method) 總是使用最近N組觀測資料,每次估計時,當添入一組新的觀測資料時,就丟棄一組最老的資料。因此,也叫做加矩形窗的最小二乘法。這種演算法更適合於時變系統和克服資料飽和。
限定記憶最小二乘法有效地割斷了歷史資料的影響,因此,更有利於克服資料飽和現象,更適用於時變引數系統。
但是資料限定長度N的選擇,只能根據經驗,不同的資料長度N,會直接影響到估計的精度。
八、最小二乘法的侷限性
最小二乘法具有很多優點:
⑴ 適用範圍廣,適用於動態或靜態、線性或非線性、定常或時變系統;
⑵ 可離線辯識,也可線上辨識;
⑶ 將被辨識系統完全視為黑箱,不需要驗前知識,不需要觀測資料提供概率統計方面的資訊;
⑷ 方法簡單,易於實現。
對於ARX模型,最小二乘法的估計值具有無偏性、一致性和有效性。是一種非常好的引數估計方法。
實際工程中,被辨識物件是否都可以描述成ARX模型,如果不是,最小二乘法還能不能使用?