作业1
如图1.1所示一阶系统，系统传递函数为G(s)=1/(0.1s+1)，如果采用M序列作为输入信号进行系统辨识，采用5级移位寄存器产生M序列作为输入信号，取M序列的时钟脉冲△=15ms，a=2辨识该系统的脉冲响应。并说明取5级移位寄存器合理与否。
图1.1 一阶RC系统
答:
1.解题步骤
1.初始化参数，设置模型参数，设置产生M序列的各个关键参数；
2.利用产生伪随机二进制序列信号的函数getPRBS产生M序列，并作为
系统输入；
3.通过系统模型，产生系统输出，并将输入输出画在同一图中；
4.计算系统输入输出相关函数R xy；
5.计算系统脉冲估计值ghat和系统真实脉冲输出g
2.程序清单
主程序
clc; close all; clear all;
%% Initialization
R = 100e3; % system initialization resistance=100k ohm
C = 1e-6; % capacitance=1uf
tc = R*C; % Time Constant
% generate M-sequence
n=5;
a=2; % Level of the PRBS
del = 15e-3; % clock pulse period
N=2^n-1; % Period of M sequence total=2*N;
% Generate m-sequence using the 'getPRBS' function Out = getPRBS(n,a,del,total);
% Generate response y(t) of the system
s = tf('s');
G = 1/(tc*s+1);
tf = total*del;
tim = 0:del:tf-del;
y = lsim(G, Out, tim);
%plot input and output of the system
figure
stairs(tim,Out);
axis([0 1.0 -2.5 2.5]);
hold on
plot(tim,y,'r');
hold off
% Compute Rxy(i*del)
sum = 0.0;
Rxy = [];
iDel_vec=[];
for i=1:N
tau=i-1;
iDel_vec=[iDel_vec;tau*del];
for j=1:N
sum=sum+sign(Out(j))*y(j+tau);
end
Rxy_i = (a/N)*sum;
sum=0.0;
Rxy = [Rxy; tau Rxy_i];
end
% Compute ghat & g
ind = length(Rxy);
C = -Rxy(ind, 2);
S = (N+1)*a^2*del/N;
Rxy_iDel = Rxy(:,2);
ghat=(Rxy_iDel+ C )/S;
ghat(1)=2*ghat(1);
g = 10*exp(-10.*iDel_vec);
Result = [Rxy ghat g];
%list form
disp(' -------------------------------------------');
disp(' i Rxy(iDel) ghat g');
disp(' -------------------------------------------');
disp(num2str(Result));
disp(' -------------------------------------------');
调用产生M序列的getPRBS函数
function Out=getPRBS(n,a,del,total); %Get PRBS signal
%parameters are n registers, a, altitude of m sequence, del, clock pulse, total, the length of m-sequence to be required
Out = []; % Make Empty Out for storing binary sequence
% Initialize n Registers
for i = 1:n
R(i) = 1;
end
if (R(n)==1)
Out(1) =-a;
end
if(R(n)==0)
Out(1)=a;
end
for i=2:total
temp=R(1);
R(1)= xor(R(n-2),R(n)); %modulo 2 adder
j=2;
while j<=n %registers shift
temp1=R(j);
R(j)=temp;
j=j+1;
temp=temp1;
end
if (R(n)==1)
Out(i) =-a;
end
if(R(n)==0)
Out(i)=a;
end
end
3. 运行结果
图1.2 一阶RC 电路M 序列辨识响应图
表1-I 输入输出相关函数、脉冲估计值、真实脉冲输出表
-------------------------------------------------------------------------------------------
i Rxy(iDel) ghat g
--------------------------------------------------------------------------------------------
0 -0.0319183 2.86143 10 1 0.529696 10.4984 8.60708 2 0.43794 9.01697 7.40818 3 0.358965 7.74186 6.37628 4 0.290991 6.64436 5.48812 5 0.232485 5.69973 4.72367 6 0.182129 4.88668 4.0657 7 0.138787 4.18689 3.49938 8 0.101482 3.58456 3.01194 9 0.0693728 3.06614 2.5924 10 0.0417366 2.61993 2.2313 11 0.0179498 2.23588 1.9205 12 -0.0025236 1.90531 1.65299
--------------------------------------------------------------------------------------------
time
A m p i t i t u d e
一阶RC 系统输入输出曲线图
续表1-I 输入输出相关函数、脉冲估计值、真实脉冲输出表
-------------------------------------------------------------------------------------------
i Rxy(iDel) ghat g
-------------------------------------------------------------------------------------------
13 -0.0201452 1.6208 1.42274
14 -0.0353123 1.37591 1.22456
15 -0.0483668 1.16514 1.05399
16 -0.0596028 0.983723 0.90718
17 -0.0692738 0.827577 0.780817
18 -0.0775977 0.693181 0.672055
19 -0.0847621 0.577505 0.578443
20 -0.0909286 0.477942 0.497871
21 -0.0962361 0.392248 0.428521
22 -0.100804 0.31849 0.368832
23 -0.104736 0.255006 0.317456
24 -0.108121 0.200364 0.273237
25 -0.111033 0.153334 0.235177
26 -0.11354 0.112855 0.202419
27 -0.115698 0.078014 0.174224
28 -0.117556 0.0480262 0.149956
29 -0.119154 0.0222155 0.129068
30 -0.12053 0 0.11109
----------------------------------------------------------------------------- 选取5级移位寄存器作为输入信号合理。原因是由5级移位寄存器产生的信号既拥有了较好的随机特性，其周期特性又能与本题中的系统相吻合。由其产生的信号能够较好的激发出系统的输入输出特性。
作业2
已知系统的差分方程为:
() 1.5(1)0.7(2)(1)0.5(2)()(1)0.2(2)y k y k y k u k y k k k k εεε--+-=-+-+--+- 其中()k ε是均值为0，7.2σ=并服从正态分布的不相关随机噪声，()u k 采用4级移位寄存器产生的幅度为1的M 序列，1ms ?=。数据长度取N=240，请绘出Newton-Raphson 方法求参数的极大似然估计程序流程图并附上Matlab 程序。
1. 程序流程图
图2.1 程序流程图
2.程序清单
clc
close all
sigma=7.2;%均方差
epsilon=0.001;%迭代终止条件
total=16;
N=240;
V=sigma*randn(total,1); %噪声
%M序列产生
y1=1;y2=1;y3=1;y4=0;
for i=1:15
x1=xor(y3,y4);
x2=y1;
x3=y2;
x4=y3;
y(i)=y4;
if y(i)>0.5,u(i)=-1;
else u(i)=1;
end
y1=x1;y2=x2;y3=x3;y4=x4;
end
%最小二乘一般算法,产生初始估计值a1,a2,b1,b2;
z=zeros(1,total);
for k=3:total
z(k)=1.5*z(k-1)+0.7*z(k-2)+u(k-1)+0.5*u(k-2)+V(k);
end
%给样本系数矩阵
H=[-z(2) -z(1) u(2) u(1);-z(3) -z(2) u(3) u(2);-z(4) -z(3) u(4) u(3);-z(5) -z(4) u(5) u(4);-z(6) -z(5) u(6) u(5);-z(7) -z(6) u(7) u(6);-z(8) -z(7) u(8) u(7);-z(9) -z(8) u(9) u(8);-z(10) -z(9) u(10)
u(9);-z(11) -z(10) u(11) u(10);-z(12) -z(11) u(12) u(11);-z(13) -z(12) u(13) u(12);-z(14) -z(13) u(14) u(13);-z(15) -z(14) u(15) u(14)];
Z=[z(3);z(4);z(5);z(6);z(7);z(8);z(9);z(10);z(11);z(12);z(13);z(14);z(15);z(16)];
c=inv(H'*H)*H'*Z;
a1=c(1);a2=c(2);b1=c(3);b2=c(4);
d1=0.1;
d2=0.1;
theta=[a1,a2,b1,b2,d1,d2]';%参数估计初值
v(1)=0;v(2)=0;
d_theta1=zeros(6,1);
d_theta2=zeros(6,1);
v_da1(1)=0;v_da2(1)=0;v_db1(1)=0;v_db2(1)=0;v_dd1(1)=0;v_dd2(1)=0;
v_da1(2)=0;v_da2(2)=0;v_db1(2)=0;v_db2(2)=0;v_dd1(2)=0;v_dd2(2)=0;
j=1;
bef=zeros(6,1);
%执行算法
while sum(abs(theta-bef))>epsilon
%采集输入输出
for i=1:N+3
x1=xor(y3,y4);
x2=y1;
x3=y2;
x4=y3;
y(i)=y4;
if y(i)>0.5,u(i)=-1;
else u(i)=1;
end
y1=x1;y2=x2;y3=x3;y4=x4;
end
y(1)=0;y(2)=0;
V=sigma*randn(N+3,1); %噪声
y(1)=1;y(2)=0.01;
for k=3:N+3
y(k)=1.5*y(k-1)-0.7*y(k-2)+u(k-1)+0.5*u(k-2)+V(k)-V(k-1)+0.2*V(k-2);
end
J_d=0;
JJ_d=0;
a1=theta(1);a2=theta(2);
b1=theta(3);b2=theta(4);
d1=theta(5);d2=theta(6);
for k=3:N+3
v(k)=y(k)+a1*y(k-1)+a2*y(k-2)-b1*u(k-1)-b2*u(k-2)-d1*v(k-1)-d2*v(k-2);%求取v(k) v_da1(k)=y(k-1)-d1*v_da1(k-1)-d2*v_da1(k-2);
v_da2(k)=y(k-2)-d1*v_da2(k-1)-d2*v_da2(k-2);
v_db1(k)=-u(k-1)-d1*v_db1(k-1)-d2*v_db1(k-2);
v_db2(k)=-u(k-2)-d1*v_db2(k-1)-d2*v_db2(k-2);
v_dd1(k)=-v(k-1)-d1*v_dd1(k-1)-d2*v_dd1(k-2);
v_dd2(k)=-v(k-2)-d1*v_dd2(k-1)-d2*v_dd2(k-2);
d_theta=[v_da1(k),v_da2(k),v_db1(k),v_db2(k),v_dd1(k),v_dd2(k)]';
J_d=J_d+v(k)*d_theta;
JJ_d=JJ_d+d_theta'*d_theta;
end
bef=theta;
theta=theta-inv(JJ_d)*J_d;
v(1)=v(N+1);v(2)=v(N+2);
v_da1(1)=v_da1(N+1);v_da2(1)=v_da2(N+1);v_db1(1)=v_db1(N+1); v_db2(1)=v_db2(N+1);v_dd1(1)=v_dd1(N+1);v_dd2(1)=v_dd2(N+1); v_da1(2)=v_da1(N+2);v_da2(2)=v_da2(N+2);v_db1(2)=v_db1(N+2); v_db2(2)=v_db2(N+2);v_dd1(2)=v_dd1(N+2);v_dd2(2)=v_dd2(N+2); %求取误差
error1(j)=-1.5-theta(1);
error2(j)=0.7-theta(2);
error3(j)=1-theta(3);
error4(j)=0.5-theta(4);
error5(j)=-1-theta(5);
error6(j)=0.2-theta(6);
v_error(j)=v(N+2);
j=j+1;
end
theta%输出估计参数
%作图
figure(1);
plot(error1)
hold on
plot(error2)
hold on
plot(error3)
hold on
plot(error4)
hold on
plot(error5,'r')
hold on
plot(error6,'r')
title('参数估计误差')
xlabel('迭代次数')
ylabel('误差')
hold off
figure(2);
plot(-1.5-error1,'b');
hold on
plot(0.7-error2,'c')
hold on
plot(1-error3,'g')
hold on
plot(0.5-error4,'y')
hold on
plot(-1-error5,'m')
hold on
plot(0.2-error6,'r')
legend('a1','a2','b1','b2','d1','d2',-1) title('参数估计值变化') xlabel('迭代次数') ylabel('参数') hold off
3. 程序运行结果
表3-I 模型参数辨识结果
被估参数 a1 a2 b1 b2 d1 d2 真实值 -1.5 0.7 1.01 0.5 -1.0 0.2 估计值
-1.4711
0.6817
0.9687
0.5875
-0.9526
0.191
参数估计值的变化过程曲线如图3.2所示，参数误差估计曲线如图3.3所示。
图2.2 参数估计值变化过程曲线
从两图和表中可以看出，本题所用的Newton-Raphson 方法求参数的极大似然估计能够较好地辨识出系统的参数。
x 10
4
-1.5-1
-0.50
0.5
1
迭代次数
参数
参数估计值变化
图2.3 误差估计曲线
作业3
对于动态系统为
()0.5y()0.2y() 1.2u()0.3u()()()0.8()y k k -1k -2k -1k -2k k -1k -2εεε+-=++-+
上式中，()k ε均值为0，方差为1,并服从正态分布的不相关随机噪声，u(k)为幅值为1的伪随机M 序列，请利用递推极大似然估计法对系统参数进行辨识，递推停止条件为N=1500。 答:
1. 递推极大似然估计参数辨识设计方法
1. 初始化系统，初始化仿真数据；
2. 生成M 序列作为系统的输入，即辨识信号；
3. 用输入信号激励系统产生输出信号序列；
4. 初始化递推极大似然估计参数辨识法的参数，设定初始值000,,P v θ∧
，构
x 10
4
-2
-1012
34参数估计误差
迭代次数
误差
造初始向量(0)ψ，并设置1(0),N 0?ψ==
5. 计算,,,k k k k v r P θ∧
看是否满足条件，满足条件停止。否则转到6； 6. 采集数据构造,1k k k ?=+，转到5。
1111111????(1)1(1)(1)
(1)(1)1(1)(1)
??(1)(1)N N N N N N N f N T f N f T
N f f
N N N T f N f T N N
r K P h N K h N P h N P h N h N P P P h N P h N y N h N θθθεεθ+++++++=+=++=
+++++=-
+++=+-+
2. 程序清单
主程序
a(1)=1;b(1)=0;c(1)=1;d(1)=0;u(1)=d(1);z(1)=0;z(2)=0; %初始化 四级移位寄存器的第1，2，3，4级寄存器输出
for i=2:1500 %产生m 序列u(i) a(i)=xor(c(i-1),d(i-1)); b(i)=a(i-1); c(i)=b(i-1); d(i)=c(i-1); if d(i)==0 u(i)=-1; else
u(i)=d(i); end end
u; %若取去‘；’可以在程序运行中观测到m 序列
v=randn(1500,1);%产生正态分布随机数 V=0; %计算随机方差 for i=1:1500
V=V+v(i)*v(i); end
V1=V/1500;
for k=3:1500 %?根据v 和u 计算
z(k)=-0.5*z(k-1)+0.2*z(k-2)+1.2*u(k-1)+0.3*u(k-2)+v(k)-v(k-1)+0.8*v(k-2); end
o1=0.001*ones(6,1);p0=eye(6,6); %?赋初值o1即为theta1 zf(1)=0.1;zf(2)=0.1;vf(2)=0.1;vf(1)=0.1;uf(2)=0.1;uf(1)=0.1;
%迭代计算参数值和误差值
for k=3:1500
h=[-z(k-1);-z(k-2);u(k-1);u(k-2);v(k-1);v(k-2)];
hf=h;
K=p0*hf*inv(hf'*p0*hf+1);
p=[eye(6,6)-K*hf']*p0;
v(k)=z(k)-h'*o1;
o=o1+K*v(k);
p0=p;
o1=o;
a1(k)=o(1);
a2(k)=o(2);
b1(k)=o(3);
b2(k)=o(4);
d1(k)=o(5);
d2(k)=o(6);
e1(k)=abs(a1(k)-0.5);
e2(k)=abs(a2(k)+0.2);
e3(k)=abs(b1(k)-1.2);
e4(k)=abs(b2(k)-0.3);
e5(k)=abs(d1(k)+1.0);
e6(k)=abs(d2(k)-0.8);
zf(k)=z(k)-d1(k)*zf(k-1)-d2(k)*zf(k-2);
uf(k)=u(k)-d1(k)*uf(k-1)-d2(k)*uf(k-2);
vf(k)=v(k)-d1(k)*vf(k-1)-d2(k)*vf(k-2);
hf=[-zf(k-1);-zf(k-2);uf(k-1);uf(k-2);vf(k-1);vf(k-2)];
end
o1 %若取去‘；’可以在程序运行中观测到参数
V1
%绘图
subplot(4,1,1) %4行1列第一个图，参数变化过程
k=1:1500;
plot(k,a1,'k:',k,a2,'b',k,b1,'r',k,b2,'m:',k,d1,'g',k,d2,'k');
xlabel('k')
ylabel('paramerter')
legend('a1=0.5','a2=-0.2','b1=1.2','b2=0.3','d1=-1.0','d2=0.8');%图标注title('The parameter idendification of the RML');
subplot(4,1,2) %第二个图，误差
k=1:1500;
plot(k,e1,'k:',k,e2,'b',k,e3,'r',k,e4,'m:',k,e5,'g',k,e6,'k');
xlabel('k')
ylabel('error')
title('误差曲线');
subplot(4,1,3) %第三个图，系统输入信号M序列
k=1:1500;
plot(k,u);
xlabel('k')
ylabel('input')
title('系统输入信号');
subplot(4,1,4) %第四个图，系统所加随机噪声
k=1:1500;
plot(k,v);
xlabel('k')
ylabel('random noise')
title('系统所加的随机噪声');
3.运行结果
运行结果由图3.1所示。从运行曲线图中可以看出，递推极大似然估计法能够较好地辨识出系统的参数。
图3.1运行结果
实验报告 --实验1.基于matlab的4阶系统辨识实验 课程：系统辨识 题目：基于matlab的4阶系统辨识实验 作者： 专业：自动化 学号：11351014 目录 实验报告 (1) 1.引言 (2) 2.实验方法和步骤 (2) 3.实验数据和结果 (2) 4.实验分析 (4)
1、 引言 系统辨识是研究如何确定系统的数学模型及其参数的理论。而模型化是进行系统分析、仿真、设计、预测、控制和决策的前提和基础。 本次实验利用matlab 工具对一个简单的4阶系统进行辨识，以此熟悉系统辨识的基本步骤，和matlab 里的一些系统辨识常用工具箱和函数。 这次实验所采取的基本方法是对系统输入两个特定的激励信号，分别反映系统的动态特性和稳态特性。通过对输入和输出两个系统信号的比较，来验证系统的正确性。 2、 实验方法和步骤 2.1 实验方法 利用matlab 对一个系统进行辨识，选取的输入信号必须能够反映系统的动态和稳态两个方面的特性，才能更好地确定系统的参数。本次实验采取了两种输入信号，为反映动态特性，第一个选的是正弦扫频信号，由下面公式产生： 选定频率范围 ，w(t)是时间t 的线性函数，具有扫频性质，可以反映系统的动态特性。 为反映稳态特性，选的输入信号是阶跃信号。以上的到两组数据，利用matlab 的merge()函数，对两组数据融合，然后用matlab 系统辨识工具箱中的基于子空间方法的状态空间模型辨识函数n4sid()来对系统进行辨识 2.2 实验步骤 (1)建立一个4阶的线性系统，作为被辨识的系统，传递函数为 3243211548765 ()125410865 s s s G s s s s s -+-+=++++ (2)产生扫频信号u1和阶跃信号u2 (3)u1、u2作为输入对系统进行激励，分别产生输出y1和y2 (4)画出稳态测试输入信号u1-t 的曲线，和y1-t 的曲线 画出动态测试输入信号u2-t 的曲线，和y2-t 的曲线 (5)使用merge()函数对u1-y1数据和u2-y2数据进行融合，并使用n4sid()函数对系统进行辨识。 (6)画出原系统和辨识出的系统的零极点图，画出原系统和辨识出的系统的阶跃响应特性曲线，通过对比，验证辨识出的系统的准确性。 3、 实验数据和结果 （1） 分别以扫频正弦函数、阶跃函数作为系统的激励，得到的输出：
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
- 现代控制理论课程总结 学习心得 从经典控制论发展到现代控制论,是人类对控制技术认识上的一次飞跃。现代控制论是用状态空间方法表示,概念抽象,不易掌握。对于《现代控制理论》这门课程，在刚拿到课本的时候，没上张老师的课之前，咋一看，会认为开课的内容会是上学期学的控制理论基础的累赘或者简单的重复，更甚至我还以为是线性代数的复现呢！根本没有和现代控制论联系到一起。但后面随着老师讲课的风格的深入浅出，循循善诱，发现和自己想象的恰恰相反，张老师以她特有的讲课风格，精心准备的 ppt 课件，向我们展示了现代控制理论发展过程，以及该掌握内容的方方面面，个人觉得，我们不仅掌握了现代控制理论的理论知识，更重要的是学会了掌握这门知识的严谨的逻辑思维和科学的学习方法，对以后学习其他知识及在工作上的需要大有裨益，总之学习了这门课让我受益匪浅。 由于我们学习这门课的课时不是很多，并结合我们学生学习的需求及所要掌握的课程深入程度，张老师根据我们教学安排需要，我们这学期学习的内容主要有： 1.绪论；2.控制系统的状态表达式；3.控制系统状态表达式的解；4.线性系统的能空性和能观性；5.线性定常系统的综合。而状态变量和状态空间表达式、状态转移矩阵、系统的能控性与能观性以及线性定常系统的综合是本门课程的主要学习内容。当然学习的内容还包括老师根据多年教学经验及对该学科的研究的一些深入见解。 在现代科学技术飞速发展中,伴随着学科的高度分化和高度综合,各学科之间相互交叉、相互渗透,出现了横向科学。作为跨接于自然科学和社会科学的具有横向科学特点的现代控制理论已成为我国理工科大学高年级的必修课。 经典控制理论的特点 经典控制理论以拉氏变换为数学工具，以单输入－单输出的线性定常系统为主要的研究对象。将描述系统的微分方程或差分方程变换到复数域中，得到系统的传递函数，并以此作为基础在频率域中对系统进行分析和设计，确定控制器的结构和参数。通常是采用反馈控制，构成所谓闭环控制系统。经典控制理论具有明显的局限性，突出的是难以有效地应用于时变系统、多变量系统，也难以揭示系统更为深刻的特性。当把这种理论推广到更为复杂的系统时，经典控制理论就显得无能为力了，这是因为它的以下几个特点所决定。 [ 1．经典控制理论只限于研究线性定常系统，即使对最简单的非线性系统也是无法处理的；这就从本质上忽略了系统结构的内在特性，也不能处理输入和输出皆大于1的系统。实际上，大多数工程对象都是多输入－多输出系统，尽管人们做了很多尝试，但是，用经典控制理论设计这类系统都没有得到满意的结果；2．经典控制理论采用试探法设计系统。即根据经验选用合适的、简单的、工程上易于实现的控制器，然后对系统进行分析，直至找到满意的结果为止。虽然这
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。
一、相关分析法 (1)实验原理 图1 实验原理图 本实验的原理图如图1。过程传递函数()G s 中12120,8.3, 6.2K T Sec T Sec ===；输入变量()u k ，输出变量()z k ，噪声服从2(0,)v N σ，0()g k 为过程的脉冲响应理论 值，?()g k 为过程脉冲响应估计值，()g k 为过程脉冲响应估计误差。 过程输入()u k 采用M 序列，其输出数据加白噪声()v k 得到输出数据()z k 。利 用相关分析法估计出过程的脉冲响应值?()g k ，并与过程脉冲响应理论值0()g k 比较，得到过程脉冲响应估计误差值()g k 。 M 序列阶次选择说明：首先粗略估计系统的过渡过程时间T S (通过简单阶跃响应)、截止频率f M (给系统施加不同周期的正弦信号或方波信号，观察输出)。本次为验证试验，已知系统模型，经计算Hz T T f M 14.01 2 1≈= ，s T S 30≈。根据式M f t 3 .0≤ ?及式S T t N ≥?-)1(，则t ?取值为1，此时31≥N ，由于t ?与N 选择时要求完全覆盖，则选择六阶M 移位寄存器，即N =63。
(2)编程说明 图2 程序流程图 (3)分步说明 ① 生成M 序列： M 序列的循环周期63126=-=N ，时钟节拍1t Sec ?=，幅度1a =，移位寄存器中第5、6位的内容按“模二相加”，反馈到第一位作为输入。其中初始数据设为{1,0,1,0,0,0}。程序如下：
② 生成白噪声序列： 程序如下： ③ 过程仿真得到输出数据： 如图2所示的过程传递函数串联，可以写成形如1212 11 ()1/1/K G s TT s T s T = ++， 其中112 K K TT = 。 图2 过程仿真方框图 程序如下： ④ 计算脉冲响应估计值：
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
南京理工大学 电加热炉动态特性辨识实验报告 作者: 张志鹏（94）学号：813001010014 实验时间2013年11月24日 组员: 刘心刚（63）李昊（88）倪镭（90） 任课老师：郭毓教授 2013 年 11 月
1.熟悉对实际控制系统的辨识与参数估计，并利用所得模型进行控制仿真，进而控制实际系统。 2.掌握实际工程中常用的辨识方法，如LS，RLS，RLES等。 二、实验平台: 嵌入式温度控制系统主要由嵌入式温度控制器、立式RGL-9076A 型温箱、NETGEAR 无线路由器和24V 开关电源等组成。系统电气连接如图1 所示。系 统采用CS（客户端—服务器）模式实现了一对一的服务器、客户端的数据通信。 嵌入式控制系统软软硬件运行平台. 硬件：PC 机、嵌入式温度控制器、NETGEAR 无线路由器等。 软件：Windows XP、Microsoft Visual C++ 6.0、Matlab 2007a 等。 图1 实验硬件平台
1.设置硬件。根据实验手册上的连接方式，确认硬件连接是否正确。根据使用手册进行IP设置、系统参数设置，直至软件可以实时显示温度曲线。 2.达到稳态。我们首先采用81V的加热电压加热使系统尽快到达某一较稳定温度。使用3S的采样周期进行采样温度信号。当温箱实际温度达到135度左右时，温度变化曲线几乎持平，我们认定此时温箱系统处于稳态。 3.加入辨识信号。这里选选取M序列进行辨识，在试验阶段我们组做了一组数据：选取M序列幅值为+20，-20，，辨识信号的采样周期为40s。加入辨识信号后继续进行数据采集。 4.数据处理、辨识系统模型。 5.分析辨识结果得出结论。 四、辨识算法及过程 经过分析研究，确定使用计算残差平方和的RELS方法验证模型的阶次及延时并辨识系统模型参数。 1、确定系统的延迟d
系统辨识实验内容与要求 实验题目：三温区空间晶体生长炉温度系统建模 实验对象：三温区空间晶体生长炉 单晶体是现代电子设备制造技术的一个必不可少的部分，它应用广泛，如二极管、三极管等半导体器件都需要用到单晶体。组分均匀（compositional uniformity）、结晶完整（crystallographic perfection）的高质量晶体材料是保证电子设备性能重要因素。 目前，单晶体制备主要靠晶体生长技术完成。其主要过程是：首先在坩埚等加热器皿中对籽晶进行加热，使其由固相转变为液相或气相，再降低器皿中温度，使液相或气相的籽晶材料冷却结晶，就可得到最终的单晶体。这个过程中，为保证晶体的组分均匀和结晶完整，必须使晶体内部各晶格的受力均匀。因此，为减小重力对晶体生长的影响，研究者提出在空间微重力环境下进行晶体生长的方案。我们研究的空间晶体生长炉就是该方案中的晶体加热设备。 我们研究的空间晶体生长炉采用熔体Bridgman生长方式，其结构如图1所示。炉身由三部分构成：外筒、炉管以及炉管外部的隔热层。炉管由多个加热单元组成，每个加热单元组成一个温区。加热单元由导热性能良好的陶瓷材料制成，两个加热单元之间有隔热单元隔开。加热单元的外测均匀缠绕加热电阻丝，内侧中间部位安装有测温热电偶。炉管外部的隔热层由防辐射绝热材料制成。 微重力环境下，晶体内部各晶格之间的热应力是影响晶体生长质量的关键因素，而热应力是由炉内温场决定的。因此，必须对晶体炉内各温区的温度进行控制，以构造一个具有一定的梯度的、满足晶体生长需要的温场。工作时，将装有籽晶的安瓿管按一定的速度插入晶体炉炉膛内，通过控制流过各温区加热电阻丝的电流控制炉内温场，通过热电偶在线获取各温区的实时温度值，进行闭环控制，。其中，流过电阻丝的电流通过PWM（脉宽调制）方式进行控制。另外，由于晶体炉工作温度的变化范围比较大，传感器热电偶难以在全量程范围内保持很高的线性度，因此，使用的热电偶的电压读数与实际温度值间需要进行查表变换。 本实验内容是运用系统辨识的方法建立晶体炉中某个温区的动力学模型，辨识数据已给出，见SI_Data.xls文件。
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 ++=
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 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)(
系统辨识实验报告
实验一 最小二乘法 1 最小二乘算法 1.1 基本原理 系统模型 )()()()()(11k n k u z B k z z A +=-- a a n n z a z a z a z A ----++++= 221111)( b b n n z b z b z b z B ----+++= 22111)( 最小二乘格式 )()()(k n k h k z T +=θ [][] ?????=------=T n n T b a b a b b a a n k u k u n k z k z k h 11)()1()()1()(θ 对于L k ,,2,1 =，构成线性方程组 L L L n H z +=θ 式中， []T L L z z z z )()2()1( = []T L L n n n n )()2()1( = ? ????? ???? ??--------------= ??????????????=)()1()()1()2()1()2()1()1() 0() 1()0()()2()1(b a b a b a T T T L n L u L u n L z L z n u u n z z n u u n z z L h h h H 参数估计值为 ()L T L L T L LS z H H H 1 ?-=θ 1.2 Matlab 编程 % 基本最小二乘法LS clear;clc A=ones(5,1);B=ones(4,1);%A 为首1多项式，B 中体现时滞（d=1） na=length(A)-1;nb=length(B); load dryer2
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
系统辨识与自适应控制读书报告 1、概述 20世纪60年代，自动控制理论发展到了很高的水平。与此同时，工业大生产的发展，也要求将控制技术提高到更高的水平。现代控制理论的应用是建立在已知受控对象的数学模型这一前提下的，而在当时对受控对象数学模型的研究相对较为滞后。现代控制理论的应用遇到了确定受控对象合适的数学模型的各种困难。因此，建立系统数学模型的方法——系统辨识，就成为应用现代控制理论的重要前提。在另一方面，随着计算机科学的飞速发展，计算机为辨识系统所需要进行的离线计算和在线计算提供了高效的工具。在这样的背景下，系统辨识问题便愈来愈受到人们的重视，成为发展系统理论，开展实际应用工作中必不可少的组成部分。 “系统辨识”是研究如何利用系统试验或运行的、含有噪声的输入输出数据来建立被研究对象数学模型的一种理论和方法。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本质特征的一种演算，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选择一个与数据拟合得最好的模型。总而言之，辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际过程的静态或动态特性。 自适应系统利用可调系统的输入量、状态向量及输出量来测量某种性能指标，根据测得的性能指标与给定的性能指标的比较，自适应机构修改可调系统的参数或者产生辅助输入量，以保持测得的性能指标接近于给定的性能指标，或者说测得的性能指标处于可接受性能指标的集合内。自适应系统的基本结构如图1所示。图中所示的可调系统可以理解为这样一个系统，它能够用调整它的参数或者输入信号的方法来调整系统特性。 未知扰动已知扰动 图1 自适应系统的基本结构 2、系统辨识的方法
实验报告 课程名称：现代控制工程与理论实验课题：最优控制 学号：12014001070 姓名：陈龙 授课老师：施心陵
最优控制 一、最优控制理论中心问题： 给定一个控制系统（已建立的被控对象的数学模型），选择一个容许的控制律，使被控对象按预定要求运行，并使给定的某一性能指标达到极小值（或极大值） 二、最优控制动态规划法 对离散型控制系统更为有效，而且得出的是综合控制函数。这种方法来源于多决策过程，并由贝尔曼首先提出，故称贝尔曼动态规划。 最优性原理：在一个多级决策问题中的最优决策具有这样的性质，不管初始级、初始状态和初始决策是什么，当把其中任何一级和状态做为初始级和初始状态时，余下的决策对此仍是最优决策 三、线性二次型性能指标的最优控制 用最大值原理求最优控制，求出的最优控制通常是时间的函数，这样的控制为开环控制当用开环控制时，在控制过程中不允许有任何干扰，这样才能使系统以最优状态运行。在实际问题中，干扰不可能没有，因此工程上总希望应用闭环控制，即控制函数表示成时间和状态的函数。 求解这样的问题一般来说是很困难的。但对一类线性的且指标是
二次型的动态系统，却得了完全的解决。不但理论比较完善，数学处理简单，而且在工际中又容易实现，因而在工程中有着广泛的应用。 一．实验目的 1.熟悉Matlab的仿真及运行环境； 2.掌握系统最优控制的设计方法； 3.验证最优控制的效果。 二．实验原理 对于一个给定的系统，实现系统的稳定有很多途径，所以我们需要一个评价的指标，使系统在该指标下达到最优。如果给定指标为线性二次型，那么我们就可以利用MATLAB快速的计算卡尔曼增益。 三．实验器材 PC机一台，Matlab仿真平台。 四．实验步骤 例题1 （P269）考虑液压激振系统简化后的传递函数方框图如下，其中K a为系统前馈增益，K f为系统反馈增益，w h为阻尼固有频率。（如图5-5所示） 将系统传递函数变为状态方程的形式如下： ,
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》 实验手册 哈尔滨工业大学控制与仿真中心 2012年8月 目录 实验1白噪声和M序列的产生---------------------------------------------------------- 2实验2脉冲响应法的实现----------------------------------------------------------------5实验3最小二乘法的实现--------------------------------------------------------------- 9 实验4递推最小二乘法的实现---------------------------------------------------------- 12附录实验报告模板----------------------------------------------------------------------16 实验1 白噪声和M序列的产生 一、实验目的 1、熟悉并掌握产生均匀分布随机序列方法以及进而产生高斯白噪声方法
2、熟悉并掌握M 序列生成原理及仿真生成方法 二、实验原理 1、混合同余法 混合同余法是加同余法和乘同余法的混合形式，其迭代式如下： 式中a 为乘子，0x 为种子，b 为常数，M 为模。混合同余法是一种递归算法，即先提供一个种子0x ，逐次递归即得到一个不超过模M 的整数数列。 2、正态分布随机数产生方法 由独立同分布中心极限定理有：设随机变量12,,....,,...n X X X 相互独立，服从同一分布，且具有数学期望和方差： 则随机变量之和1n k i X =∑的标准化变量: () n n n k k k X E X X n Y μ --= = ∑∑∑近似服从(0,1)N 分布。 如果n X 服从[0, 1]均匀分布，则上式中0.5μ=，2 1 12 σ= 。即 0.5n k X n Y -= ∑近似服从(0,1)N 分布。 3、M 序列生成原理 用移位寄存器产生M 序列的简化框图如下图所示。该图表示一个由4个双稳态触发器顺序连接而成的4级移位寄存器，它带有一个反馈通道。当移位脉冲来到时，每级触发器的状态移到下一级触发器中，而反馈通道按模2加法规则反馈到第一级的输入端。
---------------------------------------------------------------最新资料推荐------------------------------------------------------ 基于最小二乘法的系统辨识的设计与开发（整理版）课程（论文）题目： 基于最小二乘法的系统辨识摘要： 最小二乘法是一种经典的数据处理方法。 最小二乘的一次性完成辨识算法（也称批处理算法），他的特点是直接利用已经获得的所有（一批）观测数据进行运算处理。 在系统辨识领域中, 最小二乘法是一种得到广泛应用的估计方法, 可用于动态系统, 静态系统, 线性系统, 非线性系统。 在随机的环境下，利用最小二乘法时，并不要求观测数据提供其概率统计方面的信息，而其估计结果，却有相当好的统计特性。 关键词： 最小二乘法；系统辨识；参数估计 1 引言最小二乘理论是有高斯（ K.F.Gauss）在 1795 年提出： 未知量的最大可能值是这样一个数值，它使各次实际观测值和计算值之间的差值的平方乘以度量其精度的数值以后的和最小。 这就是最小二乘法的最早思想。 最小二乘辨识方法提供一个估算方法，使之能得到一个在最小方差意义上与实验数据最好拟合的数学模型。 递推最小二乘法是在最小二乘法得到的观测数据的基础上，用新引入的数据对上一次估计的结果进行修正递推出下一个参数估计值，直到估计值达到满意的精确度为止。 1 / 10
对工程实践中测得的数据进行理论分析，用恰当的函数去模拟数据原型是一类十分重要的问题，最常用的逼近原则是让实测数据和估计数据之间的距离平方和最小，这即是最小二乘法。 最小二乘法是一种经典的数据处理方法。 在随机的环境下，利用最小二乘法时，并不要求观测数据提供其概率统计方面的信息，而其估计结果，却有相当好的统计特性。 2 最小二乘法的系统辨识设单输入单输出线性定常系统的差分方程为： 1),()()() 1()(01knkubkubnkxakxakxnn （ 1）上式中： )(ku为输入信号；)(kx为理论上的输出值。 )(kx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。 )(kx的观测值)(ky可表示为 （ 2）将式（ 2）代入式（ 1）得 1()()() 1()(101kubkubnkyakyakyn (3) 我们可能不知道)(kn的统计特性，在这种情况下，往往把)(kn看做均值为 0 的白噪声。 设 （ 4）则式（ 3）可以写成 (5) 在测量)(ku时也有测量误差，系统内部也可能有噪声，应当
专业仿真课程设计题目： 学院： 专业班级： 学号： 学生姓名： 指导教师： 设计时间：
专业仿真课程设计题目 主要研究内容: 从所拍摄的多个目标物中检测三角形物，给出三角形物几何中心、三个边长以及边长的方向、面积。 设计要求： （1）提交能够实现题目要求、并通过演示验收的可执行文件。 （2）提交课程设计报告（包括程序清单）。 （3）通过答辩，答辩成绩满分20分，其中个人设计部分10分，非个人设计部分10分。 （4）软件设计要求：有一个人机交互界面，模块化设计，在模块之间通过BMP文件或者文本文件传送数据，可以查看中间结果。 （5）5个人一组，组长协调分工，每个组员一定要有具体任务，以便考核。预期达到的目标： 1、能够通过相关文献查阅、文献综述和总结，给出问题求解的多种可行方案。 2、能够综合运用测控技术与仪器专业理论和技术手段，设计实验方案、分析实验结果，得出有效的结论。 3、能够借助MATLAB仿真软件，进一步掌握高等数学、复变函数与积分变换等相关数学和自然科学知识以及测控技术与仪器专业的基本理论知识，能够结合本专业“自动控制原理”、“数字信号处理”、“误差理论”等相关课程，采用MATLAB软件对复杂工程问题建立模型并进行预测与模拟； 4、能够与团队中其他学科成员合作开展工作，能够与其他队员很好地沟通和交流意见，能够通过口头或书面方式表达自己的设计思路，具有一定的表达能力和人际交往能力。
目录 第一章课程设计相关知识综述 1.1 MATLAB相关知识叙述 1.1.1 MATLAB基本知识介绍 1.1.2 MATLAB的优势特点 1.1.3 MATLAB的发展历程 1.2 MATLAB工具箱与函数 1.2.1 MATLAB图像处理工具箱 1.2.2 课程设计所用图像处理函数介绍第二章课程设计内容和要求 2.1 课程设计主要研究内容 2.2 课程设计要求 2.3 课程设计预期目标 第三章设计过程 3.1 设计方案 3.2 设计步骤及流程图 3.3 程序清单及相关注释 3.4 实验结果分析 3.5 结论 第四章团队情况 第五章总结 第六章参考文献
闭环系统辨识 气动参数辨识在导弹研发中的作用 气动力参数辨识是飞行器系统辨识中发展最为成熟的一个领域。对于导弹而言，采用系统辨识技术从飞行试验数据获取导弹空气动力特性，已经成为导弹研制和评估程序的重要组成部分。导弹气动参数辨识的作用主要体现在以下几个方面： (1)验证气动力数值计算和风洞试验结果。如前所述，数值计算和风洞试验各有其优点，也各有其局限性，必须通过飞行试验进行验证。如果飞行试验气动参数辨识结果与数值计算和风洞试验结果一致，则说明数值计算和风洞试验结果是正确的；如果不一致，就要找出产生不一致的原因，通过相关性分析，将地面试验结果换算到真实飞行状态下。 (2)为导弹系统仿真提供准确的气动参数。在导弹打靶仿真中，控制系统的执行元件、旋转台、控制系统、目标源等都可以采用实物，但导弹所受外作用力，特别是空气动力是飞行状态参数的函数，无法用实物实现，应代之以数学模型。该数学模型是否正确决定了系统仿真的置信度，因此，采用系统辨识技术，辨识出导弹的外作用力数学模型，特别是气动力数学模型，是导弹系统仿真技术的关键环节之一。 (3)为导弹飞行控制系统设计提供准确的气动参数。控制律设计取决于导弹的气动特性。如果控制律设计所依赖的气动数据误差过大，可能会导致控制失效；如果气动数据误差带很大，为了满足控制系统鲁棒性要求，或者控制精度降低，或者对指令的响应时间加长。利用飞行试验气动参数辨识结果，经过相关性分析给出的导弹气动特性，其可信度可望显著提高，用于飞行控制律设计，可以大大提高控制系统的性能。 (4)自适应控制。自适应控制系统能根据系统的状态和环境参数变化，自动调节控制系统的相应系数，以达到最佳控制状态。系统实时辨识是自适应控制系统的重要组成部分。对于导弹，机动性与导弹的静稳定裕度和动压关系很大，实