《系统辨识综述(共4页).doc》由会员分享，可在线阅读，更多相关《系统辨识综述(共4页).doc（4页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上系统辨识综述辨识、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。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去观察、研究有关的系统辨识问题。系统辨识是建模的一种方法，不
2、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可观系统（或将要改造的系统）本质特征的一种演算，并用这个模型吧对客观系统的理解表示成有用的形式。当然可以刻有另外的描述，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。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
3、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（即给定一类已知结构的模型），一类输入信号u和等价准则（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）；然后选择是误差函数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。2.经典的系统
4、辨识经典的系统辨识方法的发展已经比较成熟和完善，他包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等。其中最小二乘法（LS）是一种经典的和最基本的，也是应用最广泛的方法。但是，最小二乘估计是非一致的，是有偏差的，所以为了克服它的缺陷，而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）和广义最小二乘法（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）和随机逼近算法等。随着人类社会的发展进步，越来越多的实际系统很多都是具有不确定性的复杂系统。而对于这类系统，
5、经典的辨识建模方法难以得到令人满意的结果，即就是说，经典的系统辨识方法还存在着一定的不足：(1) 利用最小二乘法的系统辨识发一般要求输入信号一直，并且必须具有较丰富的变化，然而，这一点在某些动态系统中，系统的输入常常无法保证；(2) 极大似然法计算耗费大，可能得到的是损失函数的局部极小值；(3) 经典的辨识方法对于某些复杂系统在一些情况下无能为力。3.现代的系统辨识随着智能控制理论研究的不断深入及其在控制领域的广泛应用，从逼近理论和模型研究的发展来看，非线性系统建模已从用线性模型逼近发展到用非线性模型逼近的阶段。由于非线性系统本身所包含的现象非常复杂，很难推导出能适应各种非线性系统的辨识方法，
6、因此非线性系统的辨识还没有构成一个完整的科学体系。下面简要介绍几种方法。3. 1基于神经网络的系统辨识神经网络技术是20世纪末迅速发展起来的一门高技术。由于神经网络具有良好的非线性映射能力、自学习适应能力和并行信息处理能力，为解决未知不确定非线性系统的辨识问题提供了一条新的思路。在辨识非线性系统时，我们可以根据非线性静态系统或动态系统的神经网络辨识结构,利用神经网络所具有的对任意非线性映射的任意逼近能力，来模拟实际系统的输入输出关系，而利用神经网络的自学习、自适应能力，可以方便地给出工程上易于实现的学习算法，经过训练得到系统的正向或逆向模型。在神经网络辨识中，神经网络(包括前向网络和递归动态网
7、络)将确定某一非线性映射的问题转化为求解优化问题，而优化过程可根据某种学习算法通过调整网络的权值矩阵W来实现，从而产生了一种改进的系统辨识方法，从函数逼近观点研究线性和非线性系统辨识问题，导出辨识方程，用神经网络建立线性和非线性系统的模型，根据函数内差逼近原理建立神经网络学习过程。该方法计算速度快，具有良好的推广、逼近和收敛特性。与传统的基于算法的辨识方法相比较，神经网络用于系统辨识具有以下几个特点：(1) 不要求建立实际系统的辨识格式，可以省去对系统建模这一步骤；(2) 可以对本质非线性系统进行辨识；(3) 辨识的收敛速度仅与神经网络的本身及所采用的学习算法有关；(4) 通过调节神经元之间的
8、连接权即可使网络的输出来逼近系统的输出；(5) 神经网络也是系统的一个物理实现，可以用在线控制。因此，人工神经网络在非线性系统辨识中的应用具有很重要的研究价值和广泛的应用前景。3.2 遗传算法系统辨识法遗传算法是一种新兴的优化算法，是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性算法，由于具有不受函数性质制约、全方位搜索及全局收敛等诸多优点，得到了日益广泛的应用。将遗传算法用于线性离散系统的在线辨识，较好地解决了最小二乘法难以处理的时滞在线辨识和局部优化的缺点。而针对现有的遗传算法易陷入局部最优（收敛到局部极小，简称早敛)的局限，产生了一种改进的遗传算法，改进的遗传算法可成功地应用于系
9、统辨识，同时确定出系统的结构和参数，此算法简单有效，亦可应用于非线性系统辨识。由遗传算法（GA）、 进化编程（EP）等构成的进化计算（EC）是近年来发展很快、很有前途的一种优化计算，它借助于生物进化的优胜劣汰原则，从空间的一群点开始搜索，不断进化以求得最优解；它还具有强鲁棒性，且不易陷入局部解，为系统辨识问题的解决提供了一条新的途径。因而我们可以用进化计算来解决系统辨识问题，得到了一种将GA和EP相结合的新的进化计算策略，并将这种策略用于系统辨识，该方法的主要思想是用GA操作保证搜索是在整个解空间进行的，同时优化过程不依赖于种群初值的选取，用EP操作保证求解过程的平稳性。用EC算法进行系统辨识
10、，可以一次辨识出系统的结构和参数，比GA和EP的效果都好。此外还有其它一些遗传算法在系统辨识中的应用。3.3 基于模糊逻辑的系统辨识方法近年来模糊逻辑理论在非线性系统辨识领域中得到广泛的应用，用模糊集合理论，从系统输入和输出量测值来辨识系统的模糊模型，也是系统辨识的又一有效途径。模糊逻辑建模方法的主要内容可分为两个层次，一是模型结构的辨识，另一个是模型参数的估计。T-S模型是以局部线性化为出发点，具有结构简单、逼近能力强的特点，已成为模糊辨识中的常用模型，而在T-S模型的基础上又形成了一些新的辨识方法。模糊辨识的优越性表现为:能有效地辨识复杂和病态结构的系统;能有效地辨识具有大时延、时变、多输
11、入单输出的非线性系统；可以辨识性能优良的人类控制器；可得到被控对象的定性与定量相结合的模型。另外还有一些把模糊理论与神经网络、遗传算法等结合形成的辨识方法。模糊树模型（FT模型）是利用二叉树结构描述输入空间模糊划分的模糊建模方法，它既克服了模糊建模中输入空间划分的复杂性，又使得分段函数在相交处平滑过渡，因而能更好地逼近复杂系统。其主要特点是建模精度高、计算量小。把遗传算法应用于模糊树的建立就是以模糊树模型作为个体，采用矩阵编码方式，利用遗传算法在整个模型空间搜索最优模糊树。3.4 基于小波网络的系统辨识采用网络结构的辨识方法是研究非线性系统建模的有力工具之一，神经网络、模糊自适应和近年出现的小
12、波网络都得到了广泛的研究和重视。源于小波分析理论的小波网络由于其独特的数学背景，使得它的分析和设计均有许多不同于其它网络的方面。其中以紧支正交小波和尺度函数构造的正交小波网络具有系统化的设计方法，能够根据辨识样本的分布和逼近误差要求确定网络结构和参数;此外正交小波网络还能够明确给出逼近误差估计，网络参数获取不存在局部最小问题。利用正交小波网络的系统辨识方法是针对输入样本空间非均匀分布（注意不是指时间上的分布）时的非线性系统建模问题，讨论了其中网格系设计和参数辨识的有关算法。而在采用小波基分解法建立系统模型时，小波基分支越多，则模型与原系统的拟合越好。但过多的小波基分支会引起所需辨识参数的增加，
13、加大辨识工作量。有些小波分支在小波基模型中所占的权值很小，以至于可以忽略不计，这时如何筛选掉一些不必要的分支而又能保持原有模型的辨识精度就成为一个重要的问题。因而可借用经典辨识方法中的阶次判定准则来解决系统辨识中小波基展开模型的优化问题，与原小波基模型相比，优化小波基模型不仅保留了原模型的辨识精度，而且模型简化，辨识工作量降低。4.结语系统辨识作为建立被控对象数学模型的重要途径之一，近20年来获得了迅速的发展，已成为自动控制理论的一个十分活跃而又重要的分支。而随着模糊控制、神经网络、智能控制等学科的飞速发展，又形成了许多新型的系统辨识方法，在实际应用中取得了很好的实用效果。除上述方法外还有很多
14、其它方法，例如把模糊控制的思想引入时变参数估计中，得到了一种遗忘因子模糊自调整的同时辨识模型结构和参数的自适应辨识算法；Ljung提出了把学习理论应用于系统辨识的设想，希望借助学习理论创建一种没有参数的系统辨识理论，从实质上改变我们估计模型的方式。由此可见，系统辨识未来的发展方向将是传统系统辨识方法的进一步完善，并与各种新型控制理论相结合，使系统辨识成为综合多学科知识的科学，同时随着一些新兴学科的产生，也将有可能形成一些与之相关的系统辨识方法。参考文献1 谢新民, 丁锋. 自适应控制系统M. 北京: 清华大学出版社, 2002:68-752 方崇智, 萧德云. 过程辨识M. 北京: 清华大学出版社, 1988:178-1833 G.C.哥德温、R.L.潘恩著，张永光、袁震东译：动态系统辨识,科学出版社,北京，19834 徐小平，王峰，胡钢. 系统辨识研究的现状. 自动化技术. 1004 373X（2007）15 112 05.专心-专注-专业