Непараметрическая идентификация линейных систем. Идентификация весовой функции по текущим наблюдениям, страница 3

u(t)»u(kT) ,

при

kT £ t £ (k+1)T

Рис. 4.2.1

Весовая функция принимается равной значению в середине интервала квантования        (рис. 4.2.2).

Рис.4.2.2

  ,

 k T£ t < (k+1)T

Интеграл (4.2.1) после принятых аппроксимаций примет вид:

               (4.2.2), где к=0,1,…

Вводим в рассмотрение вектор наблюдений:

y(T) = [y(T),y(2T),...,y(kT)]T

 

-  размером (кx1) и вектор весовой  функции в точках квантования

- размером (кx1);

Положим  в выражении (4.2.2) k = 0,1,2,... ,тогда последовательно будем иметь

;

;                     (4.2.3)

;                        

 ........................................................................................

Образуем матрицу входа:

                        -   матрица размером n´n

Тогда основное уравнение вход-выход (4.2.2) можно записать в следующем виде :

                                                       ,                        (4.2.4)

где êUê=[u(0)]n¹0, поэтому U-1     существует.

Из выражения (4.2.3) получим :

                                                      ,                        (4.2.5)

где =TU                 

Выражение (4.2.5) благодаря виду матрицы U можно переписать в рекуррентной форме :

                                  ,             (4.2.6)

где   и 

Действительно из уравнений (4.2.3) имеем:

 
, откуда

Далее ,                                    

и т.д.

В выражении (4.2.5) с ростом “k” растет объем вычислений, при этом для определения g(nT) нужно 2n умножений и сложений.

Для обеспечения адаптивной идентификации требуется высокое быстродействие. Этот недостаток является основным. Преимуществом данного подхода является возможность работы при пробных сигналах и на любых реализациях в режиме нормального функционирования.

Частный случай:

Если на входе системы единичное ступенчатое воздействие

U(iT)=1(iT),

то выражение (4.2.6) примет вид :

                                                                 (4.2.7)

Определив   имеем:

  , где  Qk = Qk-1 + gk-1

Основные осложнения в обсуждаемом методе связаны с наличием помехи в измерении выхода. Главные пути преодоления трудности – воспроизведение, если возможно, одинаковых реализаций на входе с последующим усреднением результатов, и применение процедуры  усечения весовой функции полагается:

g(nT)=0,

при n>k, и организуется продолжение наблюдений при n>k. Матрица входов U – (kxk) увеличивает количество строк, сохраняя количество столбцов. Начиная с “k+1” шага можно применять рекуррентный алгоритм метода наименьших квадратов (см. раздел 6.2). 

4.3  Оценка параметров систем по частотным характеристикам.

Пусть W(S)- передаточная функция неизвестной системы

                                         ;                  (4.3.1)

Тогда

W(jw)=çA (w)ïjQ(w)=U(w)+jV(w)

- частотная характеристика системы, или

;

Если “m” и “n” известны и  -  оценка частотной характеристики в том же виде (4.3.1), то задача заключается в минимизации величины.

e(wk) = W(jwk) -,k=1,n.

где W(jwk) = Uk + jVk - экспериментальные данные измерений в частотах wk (k=1,n); 

Представим     

-  значения оценки частотной характеристики в той же серии точек, или

                                                                    (4.3.2)

Из выражения (4.3.2) полагая

, к=(1,n)

имеем:

                                      ,                      (4.3.3)   откуда

Pm + jQm = (Uk + jVk)(Pn + jQn) = UkPn + VkQn + j(VkPn + UkQn)