作业一 递推最小二乘法参数辨识
设被辨识系统的数学模型由下式描述:
式中x(k)为方差为0.1的白噪声。要求:
-
当输入信号u(k)是方差为1的白噪声序列时,利用系统的输入输出数据在线辨识上述模型的参数;
-
当输入信号u(k)是幅值为1的逆M序列时,利用系统的输入输出数据在线辨识上述模型的参数;
-
当输入信号u(k)是单位阶跃信号时,利用系统的输入输出数据在线辨识上述模型的参数;
分析比较在不同输入信号作用下,对系统模型参数辨识精度的影响。
解:
代码待完善,还没修改完
【参考代码】
①方差为1的白噪声序列
%递推最小二乘参数估计(RLS)
clear all; close all;
a=[1 -1.5 0.7 0.1]';
b=[1 2 1.5]'; d=2; %对象参数
na=length(a)-1; nb=length(b)-1; %na=3、nb=2为A、B阶次
L=400; %仿真长度
uk=zeros(d+nb,1); %输入初值:uk(i)表示u(k-i)
yk=zeros(na,1); %输出初值
u=randn(L,1); %输入采用白噪声序列
xi=sqrt(1)*randn(L,1); %白噪声序列 方差=1
theta=[a(2:na+1);b]; %对象参数真值
thetae_1=zeros(na+nb+1,1); %thetae初值
P=10^6*eye(na+nb+1);
for k=1:L
phi=[-yk;uk(d:d+nb)]; %此处phi为列向量
y(k)=phi'*theta+xi(k); %采集输出数据
%递推最小二乘法
K=P*phi/(1+phi'*P*phi);
thetae(:,k)=thetae_1+K*(y(k)-phi'*thetae_1);
P=(eye(na+nb+1)-K*phi')*P;
%更新数据
thetae_1=thetae(:,k);
for i=d+nb:-1:2
uk(i)=uk(i-1);
end
uk(1)=u(k);
for i=na:-1:2
yk(i)=yk(i-1);
end
yk(1)=y(k);
end
plot([1:L],thetae); %line([1,L],[theta,theta]);
xlabel('k'); ylabel('参数估计a、b');
legend('a_1','a_2','a_3','b_0','b_1','b_2'); axis([0 L -2 1.5]);
②幅值为1的逆M序列
%递推最小二乘参数估计(RLS)
clear all; close all;
a=[1 -1.5 0.7 0.1]';
b=[1 2 1.5]'; d=2; %对象参数
na=length(a)-1; nb=length(b)-1; %na=3、nb=2为A、B阶次
L=400; %仿真长度
uk=zeros(d+nb,1); %输入初值:uk(i)表示u(k-i)
yk=zeros(na,1); %输出初值
%u=randn(L,1); %输入采用白噪声序列
xi=sqrt(1)*randn(L,1); %白噪声序列 方差=1
theta=[a(2:na+1);b]; %对象参数真值
thetae_1=zeros(na+nb+1,1); %thetae初值
P=10^6*eye(na+nb+1);
%M序列及逆M序列的产生
%M序列长度 L=400; %仿真长度
x1=1; x2=1; x3=1; x4=0; %移位寄存器初值xi-1、xi-2、xi-3、xi-4
S=1; %方波初值
for k=1:L
M(k)=xor(x3,x4); %进行异或运算,产生M序列
IM=xor(M(k),S); %进行异或运算,产生逆M序列
if IM==0
u(k)=-1;
else
u(k)=1;
end
S=not(S); %产生方波
x4=x3; x3=x2; x2=x1; x1=M(k); %寄存器移位
phi=[-yk;uk(d:d+nb)]; %此处phi为列向量
y(k)=phi'*theta+xi(k); %采集输出数据
%递推最小二乘法
K=P*phi/(1+phi'*P*phi);
thetae(:,k)=thetae_1+K*(y(k)-phi'*thetae_1);
P=(eye(na+nb+1)-K*phi')*P;
%更新数据
thetae_1=thetae(:,k);
for i=d+nb:-1:2
uk(i)=uk(i-1);
end
uk(1)=u(k);
for i=na:-1:2
yk(i)=yk(i-1);
end
yk(1)=y(k);
end
plot([1:L],thetae); %line([1,L],[theta,theta]);
xlabel('k'); ylabel('参数估计a、b');
legend('a_1','a_2','a_3','b_0','b_1','b_2'); axis([0 L -2 4]);
③单位阶跃信号
%递推最小二乘参数估计(RLS)
clear all; close all;
a=[1 -1.5 0.7 0.1]';
b=[1 2 1.5]'; d=2; %对象参数
na=length(a)-1; nb=length(b)-1; %na=3、nb=2为A、B阶次
L=400; %仿真长度
uk=zeros(d+nb,1); %输入初值:uk(i)表示u(k-i)
yk=zeros(na,1); %输出初值
u=ones(L,1);%输入采用单位阶跃信号
xi=sqrt(1)*randn(L,1); %白噪声序列 方差=1
theta=[a(2:na+1);b]; %对象参数真值
thetae_1=zeros(na+nb+1,1); %thetae初值
P=10^6*eye(na+nb+1);
for k=1:L
phi=[-yk;uk(d:d+nb)]; %此处phi为列向量
y(k)=phi'*theta+xi(k); %采集输出数据
%递推最小二乘法
K=P*phi/(1+phi'*P*phi);
thetae(:,k)=thetae_1+K*(y(k)-phi'*thetae_1);
P=(eye(na+nb+1)-K*phi')*P;
%更新数据
thetae_1=thetae(:,k);
for i=d+nb:-1:2
uk(i)=uk(i-1);
end
uk(1)=u(k);
for i=na:-1:2
yk(i)=yk(i-1);
end
yk(1)=y(k);
end
plot([1:L],thetae); %line([1,L],[theta,theta]);
xlabel('k'); ylabel('参数估计a、b');
legend('a_1','a_2','a_3','b_0','b_1','b_2'); axis([0 L -2 1.5]);
作业二 最小方差自校正控制实验
设二阶纯滞后被控对象的数学模型参数未知或慢时变,仿真实验时用下列模型:
式中x(k)为方差为0.1的白噪声。要求:
-
当设定输入yr(k)为幅值是10的阶跃信号时,设计最小方差直接自校正控制算法对上述对象进行闭环控制;
-
当设定输入yr(k)为幅值是10的方波信号时,设计最小方差直接自校正控制算法对上述对象进行闭环控制;
-
如果被控对象模型改为:
重复上述(1)、(2)实验,控制结果如何?分析原因。
【参考代码】
%最小二乘参数估计
clear all;
作业三 模型参考自适应控制实验
设被控对象模型参数未知或慢时变,但其状态变量完全可观测,
仿真时取状态方程为:
选择参考模型:
状态完全可观测的模型参考自适应控制系统如下图所示:
控制器自适应规律为:
【参考代码】
%最小二乘参数估计
clear all;