第四章 系统辨识中的实际问题
§4 —1 辨识的实验设计
一、系统辨识的实验信号
实验数据是辨识的基础，只有高质量的数据才能得出良好的数学模型，而且实验数据如果不能满足起码的要求，辨识根本得不出解。
系统辨识学科是在数理统计的时间序列分析的基础上发展起来的，两者的区别在于系统辨识的对象存在着人为的激励（控制）作用，而时序分析则没有。因此，前者能通过施加激励信号u(k)达到获得较好辩识结果的目的（即实验信号的设计），而后者不能。 （一）
系统辨识对实验信号的最起码的要求 为了辨识动态系统，激励信号u 必须在观测的周期内对系统的动态持续地激励。满足辨识对激励信号最起码的要求的持续激励信号应具备的条件称“持续激励条件”，分以下四种情况讨论： 1． 连续的非参数模型辨识（辩识频率特性）
如果系统通频带的上下限为 ωmin ≤ ω ≤ ωmax ,要求输入信号的功率密度谱在此范围内不等于零。
)
()
()}({)}({)(ωωωj U j Y t u F t y F j G =
=
2． 连续的参数模型辨识 被辩识的连续传函为
，共包含(m+n+1)个参数
对于u(t)的每一个频率成分ωi 的谐波，对应的频率响应有一个实部R(ωi )和一个虚部Im(ωi )，由此对应两个关系式（方程），能解出两个未知参数。因此，为辩识(m+n+1)个参数，持续激励信号至少应包含：
j ≥( m+n+1 )/2 个不同的频率成分。 3． 离散的脉冲响应 g(τ)的辨识
g(τ) ;τ = 0,1,..m ，假设过程稳定，当 τ > m 时 g(τ)= 0 。由维纳—何甫方程有：
R uy (τ )=∑ g(σ)R uu (τ - σ) 式(4-1-1)
由上式得出(m+1)个方程的方程组:
上式表达成矩阵形式
φuy = φuu G 式（4-1-2） 可解出 G = φuu -1 φuy 式（4-1-3）
G s b b s b s a s a s m m
n n ()=
++++++0111
R R R m R R R m R R R m R m R m R g g g m uy uy uy uu uu uu uu uu uu uu
uu uu ()()()()
()()()()()()()()()()()010******** ????????????=----?????????????????????????
G = [ g(0),…,g(m) ]T 有解的条件是:如果所有的输出自相关函数
式(4-1-4)
都存在,且方阵φuu 非奇异, 即det φuu ≠ 0 。 4． 离散差分方程模型辨识
输入信号应保证（φT φ），即det （φT φ）≠ 0非奇异。
（二） 最优输入信号
持续激励信号是使得辨识问题有解对输入的最低要求。所谓最优输入信号是在实际条件受限制的条件下，如何使得与估计精度有关的品质指标为最优的输入信号。实际条件的限制如：
a) 对 u 和 y 以及中间变量的幅值或功率的限制； b) 测试时间的限制 ；
c) 采样数量（样本长度）的限制 ； d) 最大采样速率的限制 ； e) 设备的其他限制。
二进制伪随机码很接近理论上的最优实验信号。
R N
u k u k uu k N ()lim
()()ττ=+=-∑1
1
1
二、 样间隔 ?T 和实验长度的选择 1． 采样间隔 ?T 的影响
以下例说明?T 对模型参数的影响
其中T 1= 10s, T 2= 7s, T 3= 3s, T 4= 2s, T t = 4s, K= 1。 离散化后得到差分方程如下：
y(k)+a 1y(k-1)+a 2y(k-2)+a 3y(k-3) = b 0u(k-d)+ +b 1u(k-d-1)+ b 2u(k-d-2)+b 3u(k-d-3) 其中静态增益K=∑ b i / (1+∑ a I )
以不同的采样间隔 ?T = 1s,4s,8s,16s ，进行采样，得出的离散模型参数如下表：
由上表可见 ?T 值太大或者太小都会造成不利影响：
G s K T s T s T s T s e T S t ()()
()()()
=++++-11114123
若?T值太大，模型对动态特性描述就变得不精确了，当?T=8s时模型退化为二阶，而?T=16s时模型甚至退化为一阶；如果?T值太小，带来的问题是参数估计的微小误差都会对模型的输入/输出特性造成显著影响，甚至b i的小数点后第4、5位的值都会影响到∑b i的值。因为当?T值太小时，临近的几个采样数据的差异很小，在参数估计时出现病态方程组的问题，产生计算上的困难。但是，实际上?T的允许取值范围又是比较宽的，以下给出?T值选择的经验结果。
2．?T选择的经验公式
a) 按照过渡过程时间T95 选择
?T=(1/15—1/5)T95式(4-1-5)
b) 按系统的主要时间常数T a 选择
?T=(0.05—0.1)T a式(4-1-6)
c) 按系统的最小时间常数T min 选择
?T=(1—2)T min式(4-1-7)
由PID控制系统的知识可知，上述三种经验公式给出的选择，基本上是一致的。
三、实验长度N 的选择
随着实验长度N的加大，参数估计的精度增高，并且估计误差的方差下降，故N应取得长一些。但是由于实际条件的限制，N值愈长出现漂移和窜入额外干扰的机率增加，计算量亦加大，故N值又不宜
取的太长。经验值是N?T ≥10 T a式(4-1-8)
考虑到经验公式—式(4-1-6) ，则一般选择
N≥（100—200）
式(4-1-9)
§4—2 模型阶数的辨识
在估计模型参数时需要已知模型阶数，但是实际上模型阶数也是未知的，需要由输入/输出数据通过辩识得出。先分析阶数辨识问题的特点。
一、阶数辨识（定阶）的特点
1．如果高阶模型相应的参数为零，可退化为低阶模型，即低阶模型可视为高阶模型的特例。理论上高阶模型的精度不低于低阶模型，但是考虑到计算机的舍入误差的影响，过高的阶数亦能引起模型精度的下降。一般说低阶模型描述粗糙，高阶模型精度高，但是代价亦大。
2. 根据逼近的观点，定阶往往是考虑多种因素的折衷。
3. 定阶一般是按照假设——检验的步骤进行的，检验过程中往往带有主观成分。
二、按照品质指标“残差平方总和”定阶
残差平方总和J(n)是模型阶数的函数
在不同的模型阶数的假设下，参数估计得到的J(n)值亦不同。定阶的最简单办法是直接用J(n)。设模型阶数的“真值”为n 0 ,当n < n 0 时随着n 的增加，J(n)值将明显的下降；而当n ≥ n 0 时随着n 的增加，J(n)值变化将不显著。因此，由J(n)曲线随着n 的增加最后一次陡峭下降的n 值定做n 的估计值。
上述方法缺点：由于N 值有限和样本缺陷等原因，可能导致J(n)曲线陡度变化不明显，或者有不规则起伏，使n 很难判断。改进：用数理统计的检验方法，判断n 的增加使得J(n)值改善是否明显。常用F 检验法。
（一） 用F 检验的定阶方法
用数理统计的F 检验方法判断，当阶数由n 1增至n 2时（n 2 > n 1），J(n 2) 是否较J(n 1)有显著性改善？
引入以下统计检验准则 t
式(4-2-1)
可以证明，当N 足够大时，t 渐进地服从于数理统计的F( f 1, f 2 )分布，其中F 分布的自由度为f 1 = 2(n 2-n 1)和 f 2 = (N - 2n 2) 。
单输入—单输出系统，当阶数每次递增一阶时，如果信度取 α = 0.05 , 当N >100时，由F 分布表中查处F( 2,100 ) = 3.09 。因此，在以上信度下t 至少应大于3，J (n) 的减少才能是显著的。即当t < 3 说明
t J n J n J n N n n n =-?
--()()()()12222122
n1的阶数已经足够高了，取n=n1; 即当t≥3 说明n1的阶数太低，n≥n2 ,要继续假设n3 , (n3 > n2 ) …
例：n5 = 5 的仿真结果如下表
F检验定阶方法的缺点：人为选定信度信度α值，有主观因素。（二）用AIC 准则定阶
七十年代日本学者赤池弘次（Akaike）提出一个基本信息量的定阶准则，AIC准则。按照使得该准则达到最小值来定阶。AIC准则为AIC（n）=-20 log Lθ + 2n 式(4-2-2)
上式中的log Lθ为模型参数的极大似然估计的似然函数的对数，2n 为被估计参数θ的维数。当设定的模型维数n增加时，上式第一项是值下降，而第二项值增加，存在对于n的最小值，即定阶的结果。以一个三阶的例子说明。假设动态过程为：
A(z-1)y(k)=B(z-1)u(k)+C(z-1)ε(k)
A(z-1)=1- 2.85 z-1+2.717 z-2-0.865 z-3
B(z-1)=z-1+ z-2+ z-3
C(z -1) = 1- 0.7 z -1+0.22 z -2
采样周期?T=0.1s ,干扰{ ε(k)}为正态N (0,1) 白噪声序列，控制信号u 为伪随机二位式信号，幅值 ± 1，数据量N=300 。下表给出了参数估计和仿真的结果。
对于由最小二乘模型描述的动态过程 A(z -1)y(k) = B(z -1)u(k)+ ε(k)
如果{ ε(k)}为正态白噪声序列，由于在此种情况下最小二乘估计与极大似然估计是一致的，这时的AIC 准则可用下式计算得出：
式(4-2-3)
式中的J(n)为最小二乘估计的残差平方总和。
（二） 残差的检验
参数估计的LS 、IV 、GLS 、ELS 、Cov-LS 或者ML 方法要获得无偏估计均要求残差为白噪声，如果假定的模型阶数低于系统的真实阶数的话，得出的计算残差不是白色的。反之，通过检验残差的自相关函
AIC n n
N
J n ()()()=+?12
数接近于白噪声的话，则说明模型设定的阶数不低于阶数的真值。利用下式残差的计算： ε(k) = y(k) - ?k T θ
样本残差序列{ ε(k) } 的自相关函数为
式(4-2-4)
可以证明：当N 充分大时白噪声
序列的样本自相关函数的方差为：
l ≠ 0 式(4-2-5) 对于正态的白噪声序列，如果取置信区间为±95%，则其样本自相关函数应落在以下范围内：
±?1960.()R N
即：
式(4-2-6)
由以上条件检验残差是否为白噪声，从而校验了n 是否正确。
三、模型时滞d 的辨识
考虑带有时滞d 的模型（d ≥0）
y(k)+a 1y(k-1)+…+a n y(k-n)=b 1u(k-d-1)+..+b n u(k-d-n)+ε(k)
{()}()()R l N
k k l k N
=
?+=∑1
1
εε Var R l N R {()}()≈102
-?<
如果d 未知，也需要与n 同时辨识。一个简单粗略的办法：先假设d=0,估计参数a 和b ，如果以下两个关系式同时成立：
式(4-2-7) 式(4-2-8)
则取d = β 为模型时滞的粗略估计。
时滞精确估计的办法是对于任何一个设定的阶数n ，均假设不同的d 值，d=0,1,.. 分别作参数估计，比较残差平方总和J(n,d) ,以J 值最小的d 做为时滞的估计值。
b b b b
b b i
i n
121
1
,, βββ<<<<=+∑
停机
同时辨识时滞d和阶数n的程序框图
§4—3 闭环系统可辨识性
开环系统输入量u是外加的，而闭环系统u是由输出y经过某种反馈联系产生的。因此，从闭环系统的输入——输出数据中获得的信息比从开环系统中得到的少。此外，开环情况下u与噪声干扰是相互独立的，而闭环时两者是相关的。
一、闭环系统阶数不能由输入输出数据辨识
以下图表示的系统为例，讨论闭环条件下进行辩识带来的新问题。
过程A(z-1)y(k)=B(z-1)u(k)+C(z-1)ε(k) 式（4-3-1）
反馈F(z-1)u(k) =D(z-1)y(k) 式（4-3-2）其中：A、B、C参数未知，F、D已知。
若将式（4-3-2）的左右两边同乘以z-1的多项式L(z-1) ,再与式（4-3-1）相加，得到
[A(z-1)+L(z-1)D(z-1)]y(k) =[B(z-1)+L(z-1)F(z-1)]u(k)+
+ C(z-1)ε(k) 式（4-3-3）
比较式（4-3-1）和式（4-3-3）,发现它们具有相同的输入和输出，但是式（4-3-3）的阶次高于式（4-3-1），因此不可能由输入——输出数据来区分式（4-3-1）和式（4-3-3），即可得出如下结论：在上图所示的闭环系统，不能由实验数据来辨识出模型的阶数。
二、闭环参数可辨识性条件
另一问题是如果模型阶数已知，能否由实验数据来估计A、B、C的参数呢？结论是有条件的。如不满足一定的条件，参数亦是不可辨识的。以下讨论闭环系统的参数可辨识条件。
假设{ε(k)}为零均值白噪声
A(z-1)=1+a1 z-1+…+a n a z- n
B(z-1)=b1 z-p+ b2 z-p-1+…+b n b-p+1 z- n b( n b≥ 0 )
C(z-1)=1+c1 z-1+…+c n c z- n c
D(z-1)=d0+d1 z-1+…+d n d z- n d
F(z-1)=1+f1 z- 1+…+f n f z- n f( n f≥ 0 )
并且假设: b1≠ 0 , 时滞p ≥ 1 , 而且D(z-1)和F(z-1)之间没有公共因子。将式（4-3-2）代入式（4-3-1），得出闭环方程：
[ A(z-1)F(z-1)-B(z-1)D(z-1)]y(k) = C(z-1) F(z-1)ε(k) 式（4-3-4）
假定[ A(z-1)F(z-1)-B(z-1)D(z-1)]与C(z-1) F(z-1)之间无公共因子，即反馈不造成零极点相消。
式（3-3- 4）表明闭环系统{y(k)}与{ε(k)} 间呈典型的自回归滑动平均（ARMA）的关系，可以表示成
M(z-1)y(k)=H(z-1)ε(k) 式（4-3-5）上式中的算子多项式
M(z-1)=1+m1 z-1+…+m n m z- n m
H(z-1)=1+h1 z-1+…+h n h z- n h
可以用ML法或ELS法估计出模型式（4-3-5）的参数m i和h i。由H(z-1)= C(z-1) F(z-1)
而C(z-1) 是z-1的n c次多项式，F(z-1) 是z-1的n f次多项式，所以有：n h = n c + n f
因为n f ≥ 0 ，故n h ≥ n c。H(z-1)中包含有n h个参数，C(z-1)中包含有n c个参数，F(z-1) 是已知量，所以由估计的H(z-1) 一定能够求解出C(z-1) 。
由M(z-1)= A(z-1)F(z-1)-B(z-1)D(z-1)
等式的两边阶次相等，得出n m 等于( n a + n f ) 和( n b + n d) 两者中较大的那个。M(z-1)中有n m个参数，而A(z-1)和B(z-1) 共包含( n a + n b –p+1)个参数，在F (z-1)和D(z-1) 为已知的条件下，要由M(z-1) 求解出A(z-1) 和B(z-1) ，必需满足n m≥ n a + n b –p+1
由此得出闭环参数可辨识的条件为：
n f≥ n b –p+1式（4-3-6）
或者n d≥ n a –p+1式（4-3-7）
如若以上两个条件之一能够被满足，则A(z-1) 、B(z-1)和C (z-1) 的参数可以辨识。因此，式（4-3-6）和式（4-3-7）给出闭环系统参数可以辨识的充分条件。
以下讨论更复杂的情况：当闭环系统的反馈回路存在随机干扰{w(k)}，或者有外加(可测)激励信号{R(k)} 情况下（见下图）的参数可辨识性问题.
W(k)/F(z-1)
（1）先讨论反馈通道有随机干扰W(k) 的情况，假设{w(k)}亦为正态零均值白噪声序列，而且{w(k)}与{ε(k)}不相关。这时的控制量由下式决定：F(z-1) u(k) = D(z-1) y(k) + w(k)式（4-3-8）
将上式代入式（4-3-1），得出
[ A(z-1)F(z-1)-B(z-1)D(z-1)]y(k) = C(z-1) F(z-1)ε(k) + + B(z-1) w(k) 可改写成
M(z-1)y(k)=B(z-1)w(k) + H(z-1)ε(k) 式（4-3-9）式（4-3-9）为由两个彼此独立的白噪声激励的ARMA模型，用ELS或ML方法可以得出参数估计出M、B和H。
由H(z-1)= C(z-1) F(z-1) 和n f ≥ 0 的条件可知，H(z-1)的阶次一定不小于C(z-1) 的阶次，故由H(z-1)可得出C(z-1) 。
由M(z-1)= A(z-1)F(z-1)-B(z-1)D(z-1)
同样有M(z-1)的阶次肯定不小于A(z-1)的阶次，现在F、D和B均已知，由M也一定可解出A(z-1)。因此，在w(k)≠0 的条件下，参数a I 、b I 和c i一定可辨识，而不受条件式（4-3-6）和式（4-3-7）的制约。
（2）闭环系统有外加激励信号R(k)的情况，假设{R(k)}满足持续激励条件，控制量u(k)由下式决定：
[u(k)-R(k)]F(z-1)=D(z-1) y(k)式（4-3-10）
代入式（3-3-1），得出闭环方程
[A(z-1)F(z-1)-B(z-1)D(z-1)]y(k) = B(z-1)F(z-1)R(k)+C(z-1) F(z-1)ε(k) 可改写为M(z-1)y(k) =L(z-1)R(k)+H(z-1)ε(k) 式（4-3-11）上式为典型的CARMA模型，由{y(k)}和{R(k)}可以估计出M(z-1)、L(z-1)和H(z-1)。由于M(z-1)、L(z-1)和H(z-1)的阶次分别肯定不小A(z-1)、B(z-1)和C(z-1) 的阶次。故由前者的估计量能求出参数a I 、b I 和c I
的估计量，而不受条件式（4-3-6）和式（4-3-7）的制约。
三、仿真举例
系统模型为
y(k)+1.4y(k-1)+0,45y(k-2)=u(k-1)+0.7u(k-2)+ε(k)
该例中：n a = n b = 2，p = 1, 噪声{w(k)}与{ε(k)} 为彼此不相关的N (0,1) 正态白噪声。数据量N=200。
在下表中列出了四种反馈规律的参数在线辩识的结果。
上表结果表明：情况1和3因为w(k)≠0，保证了参数的可辩识性；情况2虽然w(k)=0，但是式（4-3-7）条件得以满足，即：n d= 2 ≥（n a –p+1=2），所以参数估计与真值一致。情况4不满足条件，参数估计不收敛于真值。
四、对闭环可辨识性讨论
1．闭环条件下激励信号{ u(k) }中包含的信息比开环时少，导致可能
出现闭环下的参数不可辨识的问题。
2．闭环参数可辨识的必要条件：
n f≥ n b –p+1式（4-3-6）
或者n d≥ n a –p+1式（4-3-7）
如果n = n a = n b , m = n f = n d , p = 1，则以上条件可合并概括为为m ≥ n , 即：反馈通道的阶次不低于正向通道的阶次。
3．时滞p大，有利于闭环可辨识性。
4．如果存在外激励信号R(k)，或者反馈通道中有干扰存在，参数是可辨识的。还有其他的保证闭环的可辩识措施，如在辨识过程中对反馈回路进行切换，改变反馈规律等等。
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
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。
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
系统辨识研究的现状 徐小平1,王 峰2,胡 钢1 (1.西安理工大学自动化与信息工程学院 陕西西安 710048;2.西安交通大学理学院 陕西西安 710049) 摘 要:综述了系统辨识问题的研究进展,介绍了经典的系统辨识方法及其缺点,引出了将集员、多层递阶、神经网络、遗传算法、模糊逻辑、小波网络等知识应用于系统辨识得到的一些现代系统辨识方法,最后总结了系统辨识今后的发展方向。 关键词:系统辨识;集员;多层递阶;神经网络;遗传算法;模糊逻辑;小波网络 中图分类号:TP27 文献标识码:B 文章编号:1004-373X (2007)15-112-05 A Survey on System Identif ication XU Xiaoping 1,WAN G Feng 2,HU Gang 1 (1.School of Automation and Information Engineering ,Xi ′an University of Technology ,Xi ′an ,710048,China ; 2.School of Science ,Xi ′an Jiaotong University ,Xi ′an ,710049,China ) Abstract :In this paper the advance in the study of system identification is summarized.First ,the traditional system identi 2fication methods and their disadvantages are introduced.Then ,some new methods based on set membership ,multi -level re 2cursive ,neural network ,genetic algorithms ,f uzzy logic and wavelet network are presented.Finally ,f urther research directions of system identification are pointed out. K eywords :system identification ;set membership ;multi -level recursive ;neural network ;genetic algorithms ;f uzzy logic ;wavelet network 收稿日期:2007-04-16 基金项目:教育部博士学科基金(20060700007); 陕西省自然科学基金(2005F15)资助项目 1 引 言 辨识、状态估计和控制理论是现代控制理论三个互相渗透的领域。辨识和状态估计离不开控制理论的支持,控制理论的应用又几乎不能没有辨识和状态估计技术。随着控制过程复杂性的提高,控制理论的应用日益广泛,但其实际应用不能脱离被控对象的数学模型。然而在大多数情况下,被控对象的数学模型是不知道的,或者在正常运行期间模型的参数可能发生变化,因此利用控制理论去解决实际问题时,首先需要建立被控对象的数学模型。系统辨识正是适应这一需要而形成的,他是现代控制理论中一个很活跃的分支。社会科学和自然科学领域已经投入相当多的人力和物力去观察、研究有关的系统辨识问题。从1967年起,国际自动控制联合会(IFAC )每3年召开一次国际性的系统辨识与参数估计的讨论会。历届国际自动控制联合会的系统辨识会议均吸引了众多的有关学科的科学家和工程师们的积极参加。 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。1962年,L.A.Zadeh 给出辨识这样的定义[1]:“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。”当然按照Zadeh 的定义,寻找一个与实际过程完全等价的模型无疑是非常困难的。而从实用性观点出发,对模型的要求并非如此苛刻,为此,对辨识又有一些实用性的定义。比如,1974年,P.E.ykhoff 给出辨识的定义[2]为:“辨识问题可以归结为用一个模型来表示客观系统(或将要构造的系统)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。”1978年,L. Ljung 给辨识下的定义[3] 更加实用:“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。 本文首先介绍了经典的系统辨识方法,并指出其存在的缺陷,接着对近年来系统辨识的现代方法作以简单的综述,最后指出了系统辨识未来的发展方向。2 经典的系统辨识 经典的系统辨识方法[4-6]的发展已经比较成熟和完 2 11
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
系统辨识研究综述 摘要：本文综述了系统辨识的发展与研究内容，对现有的系统辨识方法进行了介绍并分析其不足，进一步引出了把神经网络、遗传算法、模糊逻辑、小波网络知识应用于系统辨识得到的一些新型辨识方法。并对基于T-S模型的模糊系统辨识进行了介绍。文章最后对系统辨识未来的发展方向进行了介绍 关键词：系统辨识；建模；神经网络；遗传算法；模糊逻辑；小波网络；T-S 模型 1.系统辨识的发展和基本概念 1.1系统辨识发展 现代控制论是控制工程新的理论基础。辨识、状态估计和控制理论是现代控制论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持；控制理论的应用又几乎不能没有辨识和状态估计。 而现代控制论的实际应用不能脱离被控对象的动态特性，且所用的数学模型需要选择一种使用方便的描述形式。但很多情况下建立被控对象的数学模型并非易事，尤其是实际的物理或工程对象，它们的机理复杂且含有各种噪声，使建立数学模型更加困难。系统辨识就是应此需要而形成的一门学科。 系统辨识和系统参数估计是六十年代开始迅速发展起来的。1960年，在莫斯科召开的国际自动控制联合会(IFCA)学术会议上，只有很少几篇文章涉及系统辨识和系统参数估计问题。然而，在此后，人们对这一学科给予了很大的注意，有关系统辨识的理论和应用的讨论日益增多。七十年代以来，随着计算机的开发和普及，系统辨识得到了迅速发展，成为了一门非常活跃的学科。 1.2系统辨识基本概念的概述 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,从某种意义上讲,不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。 L. A. Zadeh于1962年给辨识提出了这样的定义：“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。”当然按照Zadeh的定义，寻找一个与实际过程完全等价的模型无疑是非常困难的。根据实用性观点，对模型的要求并非如此苛刻。1974年，P. E. ykhoff给出辨识的定义“辨识问题可以归结为用一个模型来表示客观系统(或将要构造的系统) 本质为： 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。而1978
系统辨识大作业 最小二乘法及其相关估值方法应用 学院：自动化学院 学号： 姓名：日期：
基于最小二乘法的多种系统辨识方法研究 一、实验原理 1.最小二乘法 在系统辨识中用得最广泛的估计方法是最小二乘法(LS)。 设单输入-单输出线性定长系统的差分方程为 (5.1.1) 式中:为随机干扰；为理论上的输出值。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。的观测值可表示为 (5.1.2) 式中:为随机干扰。由式(5.1.2)得 (5.1.3) 将式(5.1.3)带入式(5.1.1)得 (5.1.4) 我们可能不知道的统计特性，在这种情况下，往往把看做均值为0的白噪声。 设 (5.1.5) 则式(5.1.4)可写成 (5.1.6) 在观测时也有测量误差，系统内部也可能有噪声，应当考虑它们的影响。因此假定不仅包含了的测量误差，而且包含了的测量误差和系统内部噪声。假定是不相关随机序列(实际上是相关随机序列)。 现分别测出个随机输入值，则可写成个方程，即 上述个方程可写成向量-矩阵形式 (5.1.7) 设 则式(5.1.7)可写为
(5.1.8) 式中：为维输出向量；为维噪声向量；为维参数向量；为测量矩阵。因此式(5.1.8)是一个含有个未知参数，由个方程组成的联立方程组。如果，方程数少于未知数数目，则方程组的解是不定的，不能唯一地确定参数向量。如果，方程组正好与未知数数目相等，当噪声时，就能准确地解出 (5.1.9) 如果噪声，则 (5.1.10) 从上式可以看出噪声对参数估计是有影响的，为了尽量较小噪声对估值的影响。在给定输出向量和测量矩阵的条件下求系统参数的估值，这就是系统辨识问题。可用最小二乘法来求的估值，以下讨论最小二乘法估计。 2.最小二乘法估计算法 设表示的最优估值，表示的最优估值，则有 (5.1.11) 写出式(5.1.11)的某一行，则有 (5.1.12) 设表示与之差，即 - (5.1.13)式中 成为残差。把分别代入式(5.1.13)可得残差。设 则有 (5.1.14) 最小二乘估计要求残差的平方和为最小，即按照指数函数 (5.1.15) 为最小来确定估值。求对的偏导数并令其等于0可得 (5.1.16) (5.1.17)
系统辨识理论综述 郭金虎 【摘要】全面论述了系统辨识理论的提出背景以及理论成果，总结了系统辨识理论的基本原理、基本方法以及基本内容，并对其应用及发展做了全面的讨论。 【关键词】系统辨识；准则函数 1概述 系统辨识问题的提出是由于随着科学技术的发展，各门学科的研究方法进一步趋向定量化，人们在生产实践和科学实验中，对所研究的复杂对象通常要求通过观测和计算来定量的判明其内在规律，为此必须建立所研究对象的数学模型，从而进行分析、设计、预测、控制的决策。例如，在化工过程中，要求确定其化学动力学和有关参数，已决定工程的反应速度；在热工过程中，要求确定如热交换器这样的分布参数的系统及动态参数；在生物系统方面，通常希望获得其较精确的数学模型，一般描述在生物群体系统的动态参数；为了控制环境污染，希望得到大气污染扩散模型和水质模型；为进行人口预报，做出相应的决策，要求建立人口增长的动态模型；对产品需求量、新型工业的增长规律这类经济系统，已经建立并继续要求建立其定量的描述模型。其他如结构或机械的振动、地质分析、气象预报等等，都涉及系统辨识和系统参数估计，这类要求正在不断扩大。 2系统辨识的基本原理 2.1系统辨识的定义和基本要素 实验和观测是人类了解客观世界的最根本手段。在科学研究和工程实践中，利用通过实验和观测所得到的信息，或掌握所研究对象的特性，这种方式的含义即为“辨识”。关于系统辨识的定义，1962年，L.A.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”。1978年，L.Ljung 也给出了一个定义：“辨识既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”。可用图2-1来说明辨识建模的思想。 0 G g G 等价准则系统原型 系统模型激励信号y g y e J u 图2-1 系统辨识的原理
系统辨识课程综述 通过《系统辨识》课程的学习，了解了系统辨识问题的概述及研究进展；掌握了经典的辨识理论和辨识技术及其优缺点，如：脉冲响应法、最小二乘法（LS）和极大似然法等；同时对于那些为了弥补经典系统辨识方法的不足而产生的现代系统辨识方法的原理及其优缺点有了一定的认识，如：神经网络系统辨识、基于遗传算法的系统辨识、模糊逻辑系统辨识、小波网络系统辨识等；最后总结了系统辨识研究的发展方向。 一、系统辨识概论 自40年代Wiener创建控制论和50年代诞生工程控制论以来，控制理论和工程就一直围绕着建立模型和控制器设计这两个主题来发展。它们相互依赖、相互渗透并相互发展；随着控制过程的复杂性的提高以及控制目标的越来越高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。但是大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，此时建立模型需要细致、完整地分析系统的机理和所有对该系统的行为产生影响的各种因素，从而变得十分困难。系统辨识建模正是适应这一需要而产生的，它是现代控制理论中一个很活跃的分支。 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。所谓系统辨识，通俗地说，就是研究怎样利用对未知系统的试验数据或在线运行数据（输入/输出数据），运用数学归纳、统
计回归的方法建立描述系统的数学模型的科学。Zadeh与Ljung明确提出了系统辨识的三个要素：输入输出数据，模型类和等价准则。总之，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，使之能最好地拟合我们所关心的实际过程的静态或动态特性。 通过辨识建立数学模型的目的是估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出的未来演变，以及设计控制器。对系统进行分析的主要问题是根据输入时间函数和系统的特性来确定输出信号；对系统进行控制的主要问题是根据系统的特性设计控制输入，使输出满足预先规定的要求。而系统辨识亦称为实验建模方法，它是“系统分析”和“控制系统设计”的逆问题。通常，预先给定一个模型类μ＝｛M｝（即给定一类已知结构的模型），一类输入信号u和等价准则J＝L(y，yM)(一般情况下，J是误差函数，是过程输出y和模型输出yM的一个泛函)；然后选择使误差函数J达到最小的模型，作为辨识所要求的结果。 二、经典的系统辨识 经典的系统辨识方法包括脉冲响应法、最小二乘法（LS）和极大似然法等。其中最小二乘法(LS)是应用最广泛的方法,但由于它是非一致的，是有偏差性，所以为了克服他的缺陷，形成了一些以最小二乘法为基础的系统辨识方法：广义最小二乘法(GLS)、辅助变量法(IV)、增广最小二乘法(ELS)、广义最小二乘法(GLS)，以及将一般的最小二乘法与其他方法相结合的方法，有：最小二乘两步法(COR—LS)
最小二乘法参数辨识 201403027 摘要:系统辨识在工程中的应用非常广泛,系统辨识的方法有很多种,最小 二乘法是一种应用极其广泛的系统辨识方法.阐述了动态系统模型的建立及其最小二乘法在系统辨识中的应用,并通过实例分析说明了最小二乘法应用于系统辨识中的重要意义. 关键词:最小二乘法;系统辨识;动态系统 Abstract: System identification in engineering is widely used, system identification methods there are many ways， least squares method is a very wide range of application of system identification method and the least squares method elaborated establish a dynamic system models in System Identification applications and examples analyzed by the least squares method is applied to illustrate the importance of system identification. Keywords: Least Squares; system identification; dynamic system
引言 随着科学技术的不断发展,人们认识自然、利用自然的能力越来越强,对于未知对象的探索也越来越深入.我们所研究的对象,可以依据对其了解的程度分为三种类型:白箱、灰箱和黑箱.如果我们对于研究对象的内部结构、内部机制了解很深入的话,这样的研究对象通常称之为“白箱”;而有的研究对象,我们对于其内部结构、机制只了解一部分,对于其内部运行规律并不十分清楚,这样的研究对象通常称之为“灰箱”;如果我们对于研究对象的内部结构、内部机制及运行规律均一无所知的话,则把这样的研究对象称之为“黑箱”.研究灰箱和黑箱时,将研究的对象看作是一个系统,通过建立该系统的模型,对模型参数进行辨识来确定该系统的运行规律.对于动态系统辨识的方法有很多,但其中应用最广泛,辨识 效果良好的就是最小二乘辨识方法,研究最小二乘法在系统辨识中的应用具有现实的、广泛的意义. 1．1 系统辨识简介 系统辨识是根据系统的输入输出时间函数来确定描述系统行为的数学模型。现代控制理论中的一个分支。通过辨识建立数学模型的目的是估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出的未来演变，以及设计控制器。对系统进行分析的主要问题是根据输入时间函数和系统的特性来确定输出信号。对系统进行控制的主要问题是根据系统的特性设计控制输入，使输出满足预先规定的要求。而系统辨识所研究的问题恰好是这些问题的逆问题。通常，预先给定一个模型类μ={M}（即给定一类已知结构的模型），一类输入信号u和等价准则J=L(y，yM)(一般情况下，J是误差函数，是过程输出y和模型输出yM的一个泛函)；然后选择使误差函数J达到最小的模型，作为辨识所要求的结果。系统辨识包括两个方面：结构辨识和参数估计。在实际的辨识过程中，随着使用的方法不同，结构辨识和参数估计这两个方面并不是截然分开的，而是可以交织在一起进行的。 1.2系统辨识的目的 在提出和解决一个辨识问题时，明确最终使用模型的目的是至关重要的。它对模型类（模型结构）、输入信号和等价准则的选择都有很大的影响。通过辨识建立数学模型通常有四个目的。 ①估计具有特定物理意义的参数有些表征系统行为的重要参数是难以直接测量的，例如在生理、生态、环境、经济等系统中就常有这种情况。这就需要通过能观测到的输入输出数据，用辨识的方法去估计那些参数。 ②仿真仿真的核心是要建立一个能模仿真实系统行为的模型。用于系统分析的仿真模型要求能真实反映系统的特性。用于系统设计的仿真，则强调设计参数能正确地符合它本身的物理意义。 ③预测这是辨识的一个重要应用方面，其目的是用迄今为止系统的可测量的输入和输出去预测系统输出的未来的演变。例如最常见的气象预报，洪水预报，其他如太阳黑子预报，市场价格的预测，河流污染物含量的预测等。预测模型辨识的等价准则主要是使预测误差平方和最小。只要预测误差小就是好的预测
- -- 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) = a a a a+a a?1a a1?1+?+a1a+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： a a a(a)a?1 (a) a a aa aa aa (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： a3a(a) a2a(a) aa(a) {aa|a→∞ =aa|a→∞ =aa|a→∞ = 0 (1-3) a(a)|a→∞ = 1
系统辨识方法综述 摘要 在自然和社会科学的许多领域中，系统的设计、系统的定量分析、系统综合及系统控制，以及对未来行为的预测，都需要知道系统的动态特性。在研究一个控制系统过程中，建立系统的模型十分必要。因此，系统辨识在控制系统的研究中起到了至关重要的作用。本文论述了用于系统辨识的多种方法，重点论证了经典系统辨识方法中运用最广泛的的最小二乘法及其优缺点，引出了将遗传算法、模糊逻辑、多层递阶等知识应用于系统辨识得到的一些现代系统辨识方法，最后总结了系统辨识今后的发展方向。 关键字：系统辨识；最小二乘法；遗传算法；模糊逻辑；多层递阶 Abstract In many fields of natural and social science, the design of the system, the quantitative analysis of the system, the synthesis of the system and the control of the system, as well as the prediction of the future behavior, all need to know the dynamic characteristics of the system. It is very necessary to establish a system model in the process of studying a control system. Therefore, system identification plays an important role in the research of control system. This paper discusses several methods for system identification, the key argument is that the classical system identification methods using the least squares method and its advantages and disadvantages, and leads to the genetic algorithm, fuzzy logic, multi hierarchical knowledge application in system identification of some modern system identification method. Finally, the paper summarizes the system identification in the future direction of development. Keywords:System identification; least square method; genetic algorithm; fuzzy logic; multi hierarchy 第一章系统辨识概述 系统辨识是研究建立系统数学模型的理论和方法。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（或将要构造的系统）本质牲征的一种演算，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
系统辨识综述 张培硕研4班 摘要：本文主要介绍了系统辨识中的非线性系统辨识方法，包括多层递阶辨识方法，以及把神经网络、模糊逻辑、遗传算法等知识应用于非线性系统辨识而得到的一些新型辨识方法，最后概括了非线性系统辨识未来的发展方向。 关键词：非线性系统辨识；多层递阶；神经网络 1 引言 系统辨识作为现代控制论和信号处理的重要内容，是近几十年发展起来的一门学科，它研究的基本问题是如何通过运行(或实验)数据来建立控制与处理对象(或实验对象)的数学模型。因为系统的动态特性被认为必然表现在它变化着的输入/输出数据之中，辨识就是利用数学方法从数据序列中提炼出系统的数学模型。 从本质上说，系统辨识是一种优化问题，当前常用辨识算法的基本方法是通过建立系统的参数模型，把辨识问题转化为参数估计问题。这类算法能较好地解决线性系统或本质线性系统的辨识问题，但若要应用于本质非线性系统则比较困难。可是，真实世界中的模型都不是严格线性的，它们或多或少都表现出非线性特性，因此越来越多的非线性现象和非线性模型己经引起了人们广泛的重视。 非线性系统广泛的存在于人们的生产生活中，随着人类社会的发展进步，越来越多的非线性现象和非线性系统已经引起研究者们的广泛关注，混沌现象的发现被誉为“ 二十世纪三大发现之一” 。目前关于非线性理论的研究正处于发展阶段。建立描述非线性现象和非线性系统的模型是研究非线性问题的基础。线性系统辨识理论已经趋于成熟，但一般的线性模型实际上是某些非线性被忽略或用线性关系代替后得到的对真实系统的近似数学描述。随着科学技术的迅猛发展，控制系统越来越复杂，对控制精度的要求越来越高，具有复杂非线性的系统不能用线性模型来近似，所以研究非线性系统辨识理论有着很重要的实际意义。 对于非线性系统参数模型的辨识问题，人们最早涉及的是某些特殊类型的非线性系统，如双线性系统模型、Hammerstain 模型、Wiener 模型、非线性时间序列模型、输出仿射模型等。针对每一类特殊模型，各国学者都作了大量的工作，提出了不少辨识算法。同时，也对这些算法的估计一致性问题进行了讨论。随着人们对非线性系统辨识问题研究的日益深入，更为一般的普适性非线性模型的辨识问题就显得日益重要。常用的非线性系统描述方法有微分(或差分)法、泛函级数法、NARMAX 模型法及分块系统法等。一些学者已经对非线性系统辨识方法进行了某方面的综述。例如，1965 年Arnold 和Stark 讨论了正交展开方法在非线性系统辨识中的应用，1968 年Aleksandrovskii 和Deich及1977 年Hung 和Stark综述了核辨识算法，1989 年Titterington 和Kitsos总结了非线性试验设计的最新发展，并列举了十五个在化工领域中常遇到的非线性模型。 本文对近年来新的非线性系统的辨识方法作以简单的综述。
系统辨识 系统辨识是研究如何用实验研究分析的办法来建立待求系统数学模型的一门学科。Zadeh(1962)指出：“系统辨识是在输入和输出数据的基础上，从一类模型中确定一个与所观测系统等价的模型”。Ljung(1978)也给出如下定义：“系统辨识有三个要素——数据、模型类和准则，即根据某一准则，利用实测数据，在模型类中选取一个拟合得最好的模型”。实际上，系统的数学模型就是对该系统动态本质的一种数学描述，它向人们提示该实际系统运行中的有关动态信息。但系统的数学模型总比真实系统要简单些，因此，它仅是真实系统降低了复杂程度但仍保留其主要特征的一种近似数学描述。 建立数学模型通常有两种方法，即机理分析建模和实验分析建模。机理分析建模就是根据系统内部的物理和化学过程，概括其内部变化规律，导出其反映系统动态行为并表征其输入输出关系的数学方程（即机理模型）。但有些复杂过程，人们对其复杂机理和内部变化规律尚未完全掌握（如高炉和转炉的冶炼过程等）。因此，用实验分析方法获得表征过程动态行为的输入输出数据，以建立统计模型，实际上是系统辨识的主要方面，它可适用于任何结构的复杂过程。 系统辨识的主要步骤和内容有以下几个方面。 1、辨识目的 根据对系统模型应用场合的不同，对建模要求也有所不同。例如，对理论模型参数的检验及故障检测和诊断用的模型则要求建得精确些。而对于过程控制和自适应控制等用的模型的精度则可降低一些，因为这类模型所关心的主要是控制效果的好坏，而不是所估计的模型参数是否收敛到真值。 2、验前知识 验前知识是在进行辨识模型之前对系统机理和操作条件、建模目的等了解的统称。有些场合为了获得足够的验前知识还要对系统进行一些预备性的实验，以便获得一些必要的系统参数，如系统中主要的时间常数和纯滞后时间，是否存在非线性，参数是否随时间变化，允许输入输出幅度和过程中的噪声水平等。 3、实验设计 实验设计的主要内容是选择和决定：输入信号的类型、产生方法、引入点、采样周期、在线或离线辨识、信号的滤波等。由于实际中对实验条件存在种种限制，如对输入和输出的幅度、功率、变化率的限制，最大采样速度的限制，实验进行时间、次数或能够取得的和用于建模的样本总个数的限制等。因此，怎样在这些限制条件下设计实验，以便在尽可能短的时间获得尽可能多的能反映系统本质特性的有用信息，是实验设计的中心任务。 4、模型类别的确定 为确定模型类别，需要在验前知识的基础上做必要的假定，即确定系统数学模型的具体表达形式。一般是根据对象的性质和控制的方法决定用微分方程还是用差分方程，脉冲响应函数还是用状态方程，线性模型还是非线性模型，定常参数模型还是时变参数模型，随机模型还是确定性模型，单一模型还是多层混杂模型等等，这就是所谓模型类别的确定问题。数学模型的具体表达形式确定后，才能进一步确定系统模型的参数。
第四章 系统辨识中的实际问题 §4 —1 辨识的实验设计 一、系统辨识的实验信号 实验数据是辨识的基础，只有高质量的数据才能得出良好的数学模型，而且实验数据如果不能满足起码的要求，辨识根本得不出解。 系统辨识学科是在数理统计的时间序列分析的基础上发展起来的，两者的区别在于系统辨识的对象存在着人为的激励（控制）作用，而时序分析则没有。因此，前者能通过施加激励信号u(k)达到获得较好辩识结果的目的（即实验信号的设计），而后者不能。 （一） 系统辨识对实验信号的最起码的要求 为了辨识动态系统，激励信号u 必须在观测的周期内对系统的动态持续地激励。满足辨识对激励信号最起码的要求的持续激励信号应具备的条件称“持续激励条件”，分以下四种情况讨论： 1． 连续的非参数模型辨识（辩识频率特性） 如果系统通频带的上下限为 ωmin ≤ ω ≤ ωmax ,要求输入信号的功率密度谱在此范围内不等于零。 ) () ()}({)}({)(ωωωj U j Y t u F t y F j G = =
2． 连续的参数模型辨识 被辩识的连续传函为 ，共包含(m+n+1)个参数 对于u(t)的每一个频率成分ωi 的谐波，对应的频率响应有一个实部R(ωi )和一个虚部Im(ωi )，由此对应两个关系式（方程），能解出两个未知参数。因此，为辩识(m+n+1)个参数，持续激励信号至少应包含： j ≥( m+n+1 )/2 个不同的频率成分。 3． 离散的脉冲响应 g(τ)的辨识 g(τ) ;τ = 0,1,..m ，假设过程稳定，当 τ > m 时 g(τ)= 0 。由维纳—何甫方程有： R uy (τ )=∑ g(σ)R uu (τ - σ) 式(4-1-1) 由上式得出(m+1)个方程的方程组: 上式表达成矩阵形式 φuy = φuu G 式（4-1-2） 可解出 G = φuu -1 φuy 式（4-1-3） G s b b s b s a s a s m m n n ()= ++++++0111 R R R m R R R m R R R m R m R m R g g g m uy uy uy uu uu uu uu uu uu uu uu uu ()()()() ()()()()()()()()()()()010******** ????????????=----?????????????????????????
系统辨识课程综述 作者姓名：王瑶 专业名称：控制工程 班级：研硕15-8班
系统辨识课程综述 摘要 系统辨识是研究建立系统数学模型的理论与方法。虽然数学建模有很长的研究历史，但是形成系统辨识学科的历史才几十年在这短斩的几十年里，系统辨识得到了充足的发展，一些新的辨识方法相继问世，其理论与应用成果覆盖了自然科学和社会科学的各个领域。而人工神经网络的系统辨识方法的应用也越来越多，遍及各个领域。本文简单介绍了系统辨识的基本原理，系统辨识的一些经典方法以及现代的系统辨识方法，其中着重介绍了基于神经网络的系统辨识方法：首先对神经网络系统便是方法与经典辨识法进行对比，显示出其优越性，然后再通过对改进后的算法具体加以说明，最后展望了神经网络系统辨识法的发展方向。 关键字：系统辨识；神经网络；辨识方法 0引言 辨识、状态估计和控制理论是现代控制理论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持，控制理论的应用又几乎不能没有辨识和状态估计技术。随着控制过程复杂性的提高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。然而在大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，因此利用控制理论去解决实际问题时，首先需要建立被控对象的数学模型。所以说系统辨识是自动化控制的一门基础学科。 图1.1系统辨识、控制理论与状态估计三者之间的关系 随着社会的进步 ,越来越多的实际系统变成了具有不确定性的复杂系统 ,经典的系统辨识方法在这些系统中应用 ,体现出以下的不足 : (1) 在某些动态系统中 ,系统的输入常常无法保证 ,但是最小二乘法的系统辨