班级 13202-4
学号 2013260318
姓名亓子龙
报告日期 2013.12.03
1)最小二乘法：构造阵，利用公式计算；
2)递推最小二乘法：取前20个数据，利用基本最小二乘法给出和的初值和，然后利用公式：
迭代计算。1) 辅助变量法：首先利用基本最小二乘估计作为计算的初值，利用计算结果构造阵，依据公式迭代计算直至收敛。
2) 递推辅助变量法：前50个数据利用递推最小二乘估计和初值和，然后依据递推公式进行迭代计算：
1)广义最小二乘法：使用和按基本最小二乘求出估计值，计算残差用残差代替并计算的估值，的计算公式为。利用进行数据滤波，再按最小二乘法重新估计，重复这些步骤直至收敛。
2)递推广义最小二乘法：前20个数据利用基本最小二乘求得递推的初值，然后按以下公式计算，根据所得结果对新的观测值进行数据滤波，然后进行的递推，递推公式如下：
1)夏氏偏差修正法：首先计算并作为的初值，然后计算残差并构造矩阵，同时计算矩阵和。其次由计算和，其中。利用公式获得的估计值，循环迭代直到基本保持不变。
2)夏氏改良法：基本同夏氏偏差修正法，只是的计算变为，减小了计算量。
3)夏氏递推算法：利用基本最小二乘获得递推初值和，递推公式如下：
利用基本最小二乘构造阵，进而计算递推初值和。构造向量。
其中，然后根据递推方程递推计算：
(1)选定初值，、由ls方法获得，可任意指定；
2)计算残差及指标；
3)计算梯度及海赛(hassian)矩阵；
4)计算的新估值；
5)返回第(2)步直到收敛。
对于数据辨识结果如表1：
表1 uy1辨识结果。
对于数据辨识结果如表2：
表2 uy2辨识结果。
对于数据辨识结果如表3：
表3 uy3辨识结果。
三组数据输入值都一样，输出值不同。
对上面表1-表3的辨识结果进行分析，可以看出，uy1的噪声近似为白噪声，因为其他辨识方法的辨识结果和最小二乘法的结果很接近。而uy2和uy3的噪声是有色噪声，其他辨识方法的结果和最小二乘法的结果出入较大。
1） 最小二乘法是成批处理观测数据，即离线辨识，在输入为白噪声的情况下其辨识精度是最高的，但是在有色噪声的情况下偏差比较大，且估计的均方差随噪声均方差的增大而增大。
2） 递推最小二乘法是**辨识。理论上讲，其辨识精度应等于采用离线辨识的最小二乘法，但是由于在递推被辨识参数的初值中，p的取值相当大时，递推最小二乘法的结果很接近于最小二乘法的结果。其基本思想可以概括成：
新的估计值=旧的估计值+修整项。它是一种实时控制算法。
3） 辅助变量法在输入为有色噪声的情况下能克服上述两种方法的有偏估计缺点。但本题前一部分的输入是白噪声，因而辅助变量法的辨识精度差于上述两种方法。在输入为有色噪声的情况下，辨识结果较好。
在计算时需构造辅助变量矩阵。
4） 广义最小二乘法：如果输入是有色噪声，则广义最小二乘法能克服估计的有偏性。但是广义最小二乘法是一种迭代方法，且收敛速度比较慢。
在系统的噪声较大时，最小二乘法的指标j可能是多峰的，因此该算法未必收敛于真实参数，本题中，广义最小二乘法在白噪声情况下，其辨识的效果略差于最小二乘法和递推最小二乘法，尔在有色噪声情况下，其辨识的效果好于那两种方法。实际估计效果较好，工程上广泛应用。缺点是计算量大。
5） 夏氏法也是为了克服输入为有色噪声而导致辨识的有偏性而提出的，改善广义最小二乘法的计算速度，提高计算效率。它还可以应用到多输入多输出系统。对于本题，它的优缺点基本同广义最小二乘法，其辨识结果同广义最小二乘法差不多。
6） 增广矩阵法：它是无偏估计，收敛性好，系统参数与噪声参数同时辨识。由于考虑了系统噪声的影响，采用递推方法，其精度和收敛性比递推最小二乘法有提高。
7） 极大似然法以观测值的出现概率最大作为标准，为离线辨识方法，在输入为白噪声的情况下，结果的精度与最小二乘法不相上下。在输入为有色噪声的情况下，精度比最小二乘法能好。
1） 最小二乘法：算法最简单，但是当输入输出数据量较大时，会出现维数较高的矩阵求逆和相乘。 所以数据量越大计算量将明显增加。
2） 递推最小二乘法：递推最小二乘法在每一次迭代过程中都不需要矩阵求逆，只需要做矩阵或向量乘法，故每次迭代过程中，递推最小二乘法的计算量很小。
3） 辅助变量法：每一次迭代都需要求辅助模型的输出变量，并由此构造求辅助变量矩阵z，做一次(2n+1) *2n+1)的矩阵求逆，故计算量是最小二乘法的计算量整数倍。
4） 广义最小二乘法：每一次迭代都需要利用上一次估计出的被辨识参数来求出残差，利用残差来构造(2n+1)*(2n+1)的残差阵 ，然后求得新的输入和输出序列，再一次利用最小二乘法重新估计被辨识参数 ，故每次迭代都需要利用两次最小二乘法，另外还要作数据滤波，故计算量远远大过辅助变量法。
5） 夏氏法：每一次迭代过程中求残差矩阵，不需要数据的反复滤波，故计算量远小于广义最小二乘法，但明显大于辅助变量法的计算量。
6） 增广矩阵法：增广矩阵法的估计参数中增加了噪声的模型参数，故相应的矩阵及向量都比递推最小二乘法大，计算量也比递推最小二乘法大的多。
7） 极大似然法： 极大似然法的计算量较大，但其参数估计量具有良好的渐进性质。
由各种辨识方法可以看出，当噪声的方差增大时，估计的偏差明显增大，各项估计值得均方差也稍有增大。当噪声的方差为0，即系统输入输出数据不含噪声时，估计结果就是系统参数的真值。
噪声为白噪声时比噪声为有色噪声所引起的误差要小，且当噪声为白噪声时，最小二乘法估计具有无偏性和一致性。
1)按残差方差定阶：利用基本最小二乘法估计各阶次时的， 按公式求得残差，然后计算。对某一系统，当时，随着的增大而减小。
假定系统为阶，则在时出现最后一次陡峭的下降，从而判定系统阶次。
2)确定阶的akaike信息准则：这个准则给出了一个定量的判断标准，它不要求建模人员主观的判断“陡峭的下降”。在一组可供选择的随机模型中，aic最小的那个模型是一个可取的模型。
白噪声情况下的aic定阶公式为；有色噪声情况下的aic定阶公式为。
3) 按残差白色定阶：计算残差的估值的自相关函数，检查其白色性，即可判断模型的阶次。残差的自相关函数为。
将规格化可得。
1）按残差方差和f检验法定阶。
2）aic定阶。
3）残差白色定阶。
4）辨识结果：
由于噪声的存在，使得各种定阶方法以及参数辨识方法所得的结果与真值有所差异。当定阶模型中采用的是白噪声模型时，应对测试数据进行滤波处理，辨识结果的好坏很大程度上取决于有色噪声的白化程度，这点可从三组测试数据滤波前后的辨识效果中看出。
系统辨识大作业
系统辨识。大作业。1.考虑如下系统。式中，为白噪声。取初值，分别选择m序列和方差为1的正态分布白噪声作为输入信号，采用递推最小二乘算法进行参数估计，迭代l 400步停止计算。要求。i 给出基本迭代公式 ii 画出程序流程框图 iii 画出输入输出数据曲线 参数估计曲线 误差曲线 提示 产生长度为l方...
系统辨识大作业
系统辨识大作业 递推增广最小二乘法。题目一 已知一系统为两输入单输出系统，观测数据受有色噪声污染，噪信比为n s 0.1。系统经2000次采样，存放于文件中。系统输入u1为7级m序列，u2为u1的63步移位序列。模型类可选为 a q 1 y k b1 q u1 k b2 q u2 k w k c q...
系统辨识大作业
第一题 输入 x 1.01 2.03 3.02 4.01 5 6.02 7.03 8.04 9.03 10 y 9.6 4.1 1.3 0.4 0.05 0.1 0.7 1.7 3.8 9.1 用cftool工具箱拟合 linear model poly2 f x p1 x 2 p2 x p3 co...