识别的线性模型用于模拟和预测给定输入和噪声信号的系统输出。在仅通过其统计均值和方差仅仅已知噪声信号的同时测量输入信号。这一般形式在与卡尔曼滤波相关的状态 - 空间模型中,是这种模型的示例,并且被定义为:
(1) |
在哪里,在那里T.:
X(T.)是模型状态的矢量。
你(T.)是测量的输入数据。
y(T.)是测量的输出数据。
W.(T.)是过程噪音。
V.(T.)是测量噪声。
噪声干扰是独立的随机变量,零均值和协方差:
矢量θ.参数化模型,包括系统矩阵的系数和噪声协方差。但是,模型的所有元素都不一定是自由的。如果您对系统的状态和噪声源具有身体洞察,则该模型可以具有较少的载体参数的特定结构θ.。
对于给定的价值θ.,您想预测最佳估计X(T.) 和y(T.)在存在任何干扰。所需预测模型方程来自卡尔曼滤波技术:
(2) |
在哪里 是状态矢量的预测值X(T.)即时T., 和 是输出的预测值y(T.)。变量你(T.) 和y(T.)在上面的等式中,表示测量的输入和输出值T.。这卡尔曼收益矩阵,K.(θ.),来自系统矩阵和噪声Covarece,如下所示:
在哪里 是国家估计错误的协方差:
是代数Riccati方程的解。有关更多信息,请参阅敢
(控制系统工具箱)和[1]
表示输出预测误差为 ,您可以以简单的形式编写一般状态空间模型:
(3) |
这更简单的表示是创新形式在状态模型中,只有一个独特的干扰源,E.(T.)。此表格对应于选择R.2=一世那R.12.=K., 和R.1=KK.T.对于一般模型结构。系统识别工具箱™软件使用创新表格作为状态空间模型的主要表示。
识别任务是使用输入和输出测量数据来确定参数化向量,θ.。采取方法取决于有关系统和噪声干扰的现有信息的数量。
只有输入输出数据测量可用,并且您没有了解噪声结构,则只能估计创新表单中的模型。为此,我们使用一步前预测误差最小化方法(PEM)来计算最佳输出预测器。对于这种方法,矩阵K.是独立于其他系统矩阵的参数化,并且没有考虑有关系统状态或输出CoviRARCE的先前信息进行估计。估计的模型可以以许多非唯一的方式抛回一般模型结构,其中一个是假设R.2=一世那R.12.=K., 和R.1=KK.T.。创新表格是预测指标的系统表示E.(T.)不一定表示实际的测量噪声。
使用该创新形式估算国家空间模型n4sid.
那SSEST.
, 和SSREGEST.
命令。系统矩阵一个那B.那C那D., 和K.独立参数化,识别最小化预测误差的加权标准,E.(T.)。有关更多信息,请参阅使用SSEST,SSREGEST和N4SID估算状态空间模型和估计例子SSEST.
。
笔记
在这种情况下,估计算法任意选择模型状态。结果,很难想象各州的物理上有意义的描述和影响它们的干扰的来源。
在某些情况下,除了输入输出数据之外,您还知道有关状态和测量干扰的内容。为了使国家干扰的概念有意义,所以各国必须定义得很好,例如机械大规模系统中的位置和速度。明确的状态和已知的噪声源导致a结构化的状态空间模型,然后您可以使用常规模型结构参数化等式1。
要识别此类模型,请使用灰度盒建模方法,这使您可以使用关于系统参数和噪声CoviRA的任何先前知识。例如,您可能知道只有第一个元素R.1是非零,或所有偏差条款R.2是零。使用灰度盒建模时,为参数化向量提供初始猜测值,θ.。如果模型状态在物理上有意义,则应该可以确定参数的初始估计θ.。
估计具有参数化干扰的灰度盒模型:
创建一个matlab.®函数,称为ode文件,即:
计算参数化状态空间矩阵,一个那B.那C, 和D.,使用参数向量θ.,它作为输入参数提供。
计算噪声协方差矩阵R.1那R.2, 和R.12.。这些矩阵中的每一个可以完全或部分未知。任何未知的矩阵元素都在参数中定义θ.。
使用系统矩阵一个和C和噪音的共聚员卡尔曼
(控制系统工具箱)命令找到卡尔曼增益矩阵,K.。
[〜,k] =卡尔曼(ss(a,眼睛(nx),c,zeros(ny,nx),ts),r1,r2,r12);
这里,NX.
是模型状态的数量,纽约
是模型输出的数量,以及TS.
是采样时间。这卡尔曼
命令需要控制系统工具箱™软件。
回报一个那B.那C那D., 和K.作为输出参数。
创建一个idgrey.
使用ode函数的模型和参数向量的初始猜测值,θ.。
使用该估计选项配置灰雷特选项
命令。
估计θ.使用灰
命令。
有关使用带灰盒建模的参数化干扰的示例,请参阅估算参数干扰的离散时间灰度盒模型。
如果您拥有的所有输入输出数据,请使用创新表单。只有在使用有意义的状态定义系统参数化时,才有值得使用常规形式,并且您对噪声CoviRARCE具有非目标知识。在这种情况下,使用灰度箱估计来识别状态空间模型。
一般形式和创新形式都导致相同的预测因素。因此,如果您的最终目标是部署模型以预测未来输出或执行模拟,则使用模型的创新形式更方便。
[1] Ljung,L。“国家空间模型。”第4.3节系统识别:用户理论。第二次。上鞍河,新泽西:Prentice Hall,1999,PP。93-102。
灰
|idgrey.
|n4sid.
|预测
|SSEST.
|SSREGEST.