韓琛曄
(河北工程技術(shù)學(xué)院 信息技術(shù)學(xué)院,河北 石家莊 050091)
Wiener系統(tǒng)是一種模塊化的非線性系統(tǒng),由線性子模型和無記憶的非線性模塊串聯(lián)而成。這樣的模塊化組合可以有效地刻畫實(shí)際系統(tǒng)的特性,是一種描述許多工業(yè)過程的非線性特性系統(tǒng)[1-5],因此,研究Wiener系統(tǒng)的系統(tǒng)辨識(shí)對(duì)于實(shí)際系統(tǒng)建模和工作過程的理解具有一定的現(xiàn)實(shí)意義。但是,由于Wiener 系統(tǒng)是不同元件串聯(lián)而成的,因此,在建立辨識(shí)模型時(shí),會(huì)出現(xiàn)非線性參數(shù)和線性參數(shù)相互耦合的現(xiàn)象,就是所謂的過參數(shù)問題(冗余參數(shù)估計(jì)問題)和估計(jì)參數(shù)不唯一問題[6],這增加了辨識(shí)算法的計(jì)算量,特別是對(duì)復(fù)雜系統(tǒng)和大規(guī)模系統(tǒng)是不可接受的。另外,Wiener系統(tǒng)的內(nèi)部信號(hào)不可直接測(cè)量,也增加了辨識(shí)的難度。
遞歸最小二乘及其改進(jìn)形式是目前辨識(shí)領(lǐng)域應(yīng)用最廣泛的一種辨識(shí)算法,具有計(jì)算量小、適用性強(qiáng)和方便在線估計(jì)等優(yōu)點(diǎn)[7-9]。但是,它也存在一些缺點(diǎn)和需要改進(jìn)的領(lǐng)域,例如,遞歸最小二乘(recursive least square,RLS)對(duì)于有色噪聲和強(qiáng)噪聲辨識(shí)性能表現(xiàn)不夠理想;對(duì)系統(tǒng)的過去和當(dāng)前時(shí)刻信息利用率低導(dǎo)致精度不高;對(duì)于時(shí)變系統(tǒng)無能為力。因此,為了改善或解決這些問題,大量的改進(jìn)算法不斷被研究人員設(shè)計(jì)出來并成功應(yīng)用于系統(tǒng)辨識(shí)領(lǐng)域。WANG Jianhong等[10]首先計(jì)算Hammerstein系統(tǒng)中的分段仿射非線性函數(shù)的逆函數(shù),之后建立參數(shù)化的線性回歸辨識(shí)模型,并在有界噪聲下利用RLS估計(jì)模型中的各個(gè)參數(shù);石建飛等[11]根據(jù)電機(jī)的工作原理建立電機(jī)的近似線性動(dòng)力學(xué)模型,為改進(jìn)RLS精度不高問題,利用折息因子修改RLS的修正增益大小,并應(yīng)用于電機(jī)模型的參數(shù)估計(jì);DING Feng等[12]為提高系統(tǒng)的計(jì)算效率,利用分層遞階原理將系統(tǒng)的模型劃分為若干個(gè)子模型辨識(shí)問題,之后提出一種基于分層遞階的最小二乘辨識(shí)算法;Z.Hafezi 等[13]提出一種基于遞歸廣義最小二乘方案,以解決ARMA噪聲模型問題,并利用RML方法進(jìn)行對(duì)比,驗(yàn)證提出算法的有效性;衛(wèi)志農(nóng)等[14]建立了電池系統(tǒng)的等效電路模型,將多新息理論和最小二乘結(jié)合形成多新息最小二乘辨識(shí)方法,在電池的充放電試驗(yàn)中實(shí)施電池參數(shù)的有效估計(jì);GAN Min等[15]首先利用投影算法估計(jì)系統(tǒng)的非線性參數(shù),之后采用多新息最小二乘估計(jì)方案估計(jì)線性部分的參數(shù),并和存在的一些估計(jì)方法對(duì)比,表現(xiàn)出較高的估計(jì)性能。
由以上研究可知,對(duì)最小二乘算法的改進(jìn)工作有很多種方式,但是利用多新息理論進(jìn)行改進(jìn)是近幾年比較新穎的辨識(shí)方法。目前多新息最小二乘應(yīng)用于線性系統(tǒng)較多,非線性性系統(tǒng)相對(duì)較少且階次都是已知的,而應(yīng)用于階次未知的Wiener非線性系統(tǒng)更加困難,因?yàn)殡A次未知就不能實(shí)施后續(xù)的參數(shù)辨識(shí),無法獲得系統(tǒng)的有效信息,且非線性部分在系統(tǒng)的最后邊,導(dǎo)致輸出信號(hào)畸形,甚至無法采集信號(hào),無法利用采集的數(shù)據(jù)進(jìn)行辨識(shí)。
本文提出一種基于行列式比確定階次和分解技術(shù)的多新息最小二乘估計(jì)方法(decomposition technique of multi-innovation least squares method,D-MILS),實(shí)現(xiàn)階次未知的Wiener系統(tǒng)的參數(shù)估計(jì)問題。和其他文獻(xiàn)中的Wiener系統(tǒng)相比,本文所述系統(tǒng)的階次是未知的,屬于盲辨識(shí),辨識(shí)更加困難。本文確定系統(tǒng)階次的算法僅僅使用輸入輸出信息構(gòu)造,簡(jiǎn)化了算法的設(shè)計(jì)。利用分解技術(shù)建立線性子系統(tǒng)和非線性模型參數(shù)相互分離的辨識(shí)模型,減少冗余參數(shù)的估計(jì),提高運(yùn)行效率。設(shè)計(jì)參考模型解決內(nèi)部變量不可測(cè)問題,利用原始系統(tǒng)的部分信息,提高參數(shù)估計(jì)的精度。采用若干組數(shù)據(jù)修改觀測(cè)向量,使參數(shù)更新表達(dá)式不僅利用過去的系統(tǒng)信息,而且利用當(dāng)前的系統(tǒng)信息,以改善辨識(shí)的精度和收斂速度。對(duì)提出算法的收斂性理論分析表明,參數(shù)估計(jì)誤差能夠收斂到零。
Wiener系統(tǒng)結(jié)構(gòu)如圖1所示。
圖1 Wiener系統(tǒng)結(jié)構(gòu)框圖
圖1中:G,f分別描述Wiener組成部分中的線性和非線性部分;u(t),y(t)為系統(tǒng)的輸入和輸出信號(hào);x(t),w(t)分別為內(nèi)部信號(hào)和噪聲信號(hào)。
Wiener系統(tǒng)可表示為
x(t)=G(z)u(t),
(1)
(2)
G(z)=B(z)/A(z),
(3)
式中:B(z)=b1z-1+…+bnz-n;A(z)=1+a1z-1+…+anz-n;f(x(t))為有限階次的基函數(shù)線性組合的形式,是有理分式。
將式(1)和(3)代入式(2)中,可得
(4)
這導(dǎo)致線性參數(shù)bj/aj和非線性參數(shù)λi耦合的情況,形成復(fù)合參數(shù)λibj/aj。
在設(shè)計(jì)辨識(shí)算法估計(jì)過程中,出現(xiàn)需要估計(jì)過多參數(shù)問題,增加算法的計(jì)算量且無法得到唯一的辨識(shí)模型,因?yàn)閺?fù)合參數(shù)只要結(jié)果正確其組成形式有無數(shù)解。為避免此問題,利用分解技術(shù)[16-17]構(gòu)造系統(tǒng)參數(shù)相互分離的辨識(shí)模型,減少計(jì)算量,提高運(yùn)行效率。為此,對(duì)于本文的系統(tǒng)而言,將式(2)分解出第一項(xiàng)λ1x(t),其他各項(xiàng)不變。將式(1)只代入到分解的這一項(xiàng)中,可得
y(t)=λ1a1x(t-1)-λ1a2x(t-2)-…
-λ1anx(t-n)+λ1b1u(t-1)+λ1b2u(t-
2)+…+λ1bnu(t-n)+λ2x(t)2+
λ3x(t)3+…+λnx(t)n+w(t),
(5)
式(5)轉(zhuǎn)化為辨識(shí)模型的形式,表達(dá)式為
y(t)=φT(t)θ+w(t),
(6)
φ(t)=[-x(t-1),-x(t-2),…,-x(t-
n),u(t-1),u(t-2),…,u(t-n),x(t)2,
x(t)3,…,x(t)n]T,
(7)
θ=[λ1a1,λ1a2,…,λ1an,λ1b1,λ1b2,…,
λ1bn,λ2,λ3,…,λn]T。
(8)
在實(shí)施辨識(shí)算法之前,為了后續(xù)的參數(shù)辨識(shí),做一些適當(dāng)?shù)募僭O(shè),這些假設(shè)已經(jīng)廣泛應(yīng)用于參數(shù)辨識(shí)和系統(tǒng)建模領(lǐng)域[18-20]。
假設(shè)1:(1)輸入為持續(xù)激勵(lì),使系統(tǒng)具有可辨識(shí)性;(2)線性子系統(tǒng)是穩(wěn)定的,不存在不穩(wěn)定的情況;(3)為獲得單獨(dú)的辨識(shí)模型,設(shè)λ1=1。
(9)
(10)
(11)
(12)
和Hankel矩陣法、 殘差方程分析法及AIC法等方法相比,本文確定線性系統(tǒng)階次方法突出的優(yōu)勢(shì)是僅僅利用系統(tǒng)的輸入輸出數(shù)據(jù)來判斷階次,不需要設(shè)計(jì)特殊的輸入信號(hào)(Hankel矩陣法),階次的精度不取決于參數(shù)估計(jì)值的精度(殘差方程分析法),不需要設(shè)定特定的風(fēng)險(xiǎn)水平值(AIC法)。
RLS的出現(xiàn)是為了提高最小二乘的辨識(shí)能力和適合在線辨識(shí)的。基于回歸模型(6)和預(yù)測(cè)誤差方法,建立成本函數(shù)J(θ)=‖y(t)-φT(t)θ‖2,計(jì)算J對(duì)θ的導(dǎo)數(shù)并求極值。結(jié)合矩陣求逆運(yùn)算,可得RLS的表達(dá)式為
(13)
(14)
P-1(t)=P-1(t-1)+φ(t)φT(t),
P(0)=p0I,
(15)
式中:P(t)為協(xié)方差矩陣;e(t)為標(biāo)量新息。
從式(13)~(15)可知,參數(shù)在每次更新時(shí)只使用了當(dāng)前時(shí)刻的數(shù)據(jù)向量φ(t),沒有利用數(shù)據(jù)。這導(dǎo)致有時(shí)RLS估計(jì)能力不足或不理想。為了能充分利用系統(tǒng)的信息,需要對(duì)標(biāo)量新息進(jìn)行修改。最合適的方式就是將標(biāo)量新息通過若干組數(shù)據(jù)拓展,這樣參數(shù)更新時(shí)不僅利用當(dāng)前而且還使用了過去時(shí)刻的信息,提高了數(shù)據(jù)的利用率,進(jìn)而提高了辨識(shí)的性能。
采用p組數(shù)據(jù)對(duì)標(biāo)量新息進(jìn)行修改,可得多新息E(p,t),
(16)
進(jìn)而,其他相應(yīng)的變量轉(zhuǎn)化為
φ(p,t)=[φ(t),φ(t-1),…,
φ(t-p+1)],
(17)
y(p,t)=[y(t),y(t-1),…,y(t-
p+1)]T。
(18)
根據(jù)式(16)~(18)的修改,可得多新息最小二乘法(multi-innovation least squares,MILS)表達(dá)式,即
(19)
(20)
P-1(t)=P-1(t-1)+φ(p,t)φT(p,t),
P(0)=p0I。
(21)
矩陣求逆運(yùn)算計(jì)算量較大,為解決此問題,采用矩陣求逆原理,式(19)~(21)可重寫為
(22)
(23)
L(t)=P(t-1)φ(p,t)/[I-φT(p,t)P(t-
1)φ(p,t)],
(24)
P(t)=P(t-1)+L(t)φT(p,t)P(t-
1),P(0)=p0I。
(25)
雖然設(shè)計(jì)了辨識(shí)算法,但是由于數(shù)據(jù)向量中含有不可直接測(cè)量的內(nèi)部信號(hào)x(t),導(dǎo)致式(22)~(25)無法實(shí)施。為處理這個(gè)問題,根據(jù)參考模型辨識(shí)思想[21-22]設(shè)計(jì)參考模型,利用參考模型的輸出xref(t) 代替內(nèi)部信號(hào)x(t)。參考模型的表達(dá)式為
在系統(tǒng)辨識(shí)和參數(shù)估計(jì)領(lǐng)域,不僅要關(guān)心參數(shù)辨識(shí)算法的收斂速度和收斂精度,而且要關(guān)心利用參數(shù)估計(jì)誤差判斷估計(jì)器是否收斂。和控制系統(tǒng)穩(wěn)定性分析類似,只有系統(tǒng)是穩(wěn)定的,跟蹤控制才有意義。
定理1 對(duì)于考慮的Wiener系統(tǒng)(1)~(3)和提出的辨識(shí)算法(22)~(25),假設(shè)由w(t) 和Ft組成一個(gè)殃差序列,F(xiàn)t是一個(gè)σ代數(shù)序列,σ由采集到的數(shù)據(jù)組成。假設(shè)噪聲{w(t)} 滿足下面的條件[23]:
(1)E[w(t)|Ft-1]=0,a.s.。
(2)E[w2(t)|Ft-1]≤σ2<∞,a.s.,存在正數(shù)α>0,β>0,α0≥0,使得以下持續(xù)激勵(lì)條件成立。
則有參數(shù)估計(jì)誤差收斂到0,即
證明定義下面的表達(dá)式:
根據(jù)式(19)~(20),式(19)能夠轉(zhuǎn)換為
(26)
根據(jù)式(26),定義一個(gè)非負(fù)函數(shù),形式為
根據(jù)(21)和(22),T(t)可轉(zhuǎn)化為
V(p,t)]TφT(p,t)P(t)φ(p,t)×
V(p,t),
由于I-φT(p,t)P(t)φ(p,t)
=[I+φT(p,t)P(t-1)φ(p,t)]-1≥0,
則有
T(t)≤
T(t-1)+VT(p,t)φT(p,t)P(t)φ(p,t)V(p,t)+
i)P(t)φ(t-i)w2(t-i),a.s.。
對(duì)上式應(yīng)用殃差收斂定理[23],可知,Z(t)收斂于一個(gè)有限的隨機(jī)值Z0,即
由此,存在一個(gè)較大的C,使得下式成立:
T(t)≤C[ln|P-1(t)|]c,t→∞,a.s.。
根據(jù)T(t)的定義,可知
根據(jù)假設(shè)條件(3)和式(21),可知
tr[P-1(t)]≤nβtα0+1+n/p0,a.s.,
λmin[P-1(t)]≥αt,a.s. ,
定理1 證畢。
考慮以下Wiener系統(tǒng):x(t)=-0.65x(t-1)-0.4x(t-2)+0.5u(t-1)+0.25u(t-2),y(t)=x(t)+0.35x2(t)+0.5x3(t)+w(t)。
輸入信號(hào)u(t)選擇為隨機(jī)信號(hào),噪聲為白噪聲。從考慮的系統(tǒng)形式可知真實(shí)參數(shù)值為
a1=0.5,a2=0.25,b1=0.65,b2=0.4,λ2=0.35,λ3=0.5。
利用D-RLS(decomposition technique of recursive least squares method,D-RLS),RML(recursive maximum likelihood,RML)[24]作為對(duì)比算法,和本文提出算法D-MILS對(duì)比辨識(shí)考慮系統(tǒng)Wiener的各個(gè)參數(shù)信息。在不同樣本數(shù)量下的估計(jì)值如表2~4所示。從表2~4可知,3種算法都能估計(jì)Wiener系統(tǒng)的參數(shù),但是D-MILS算法的估計(jì)值更靠近真實(shí)值,精度較高。
表1 行列式比計(jì)算結(jié)果
表2 D-RLS 辨識(shí)過程
表4 D-MILS辨識(shí)結(jié)果
圖2是D-RLS,RML,D-MILS估計(jì)誤差結(jié)果圖。從圖2可知,隨著樣本的增加,3種估計(jì)方案都能使估計(jì)誤差漸漸變小,這說明D-RLS,RML和D-MILS都能辨識(shí)Wiener系統(tǒng)的參數(shù)。圖2 也說明算法D-MILS比D-RLS有較好的估計(jì)精度和較快的收斂速度,D-MILS比RML有較高的估計(jì)精度,驗(yàn)證了所提出算法的優(yōu)點(diǎn)。
圖2 估計(jì)誤差變化趨勢(shì)
為了驗(yàn)證新息長(zhǎng)度對(duì)D-MILS算法的影響,圖3 顯示了不同新息長(zhǎng)度p下所提出算法的辨識(shí)性能圖,從圖3可知,隨著新息長(zhǎng)度的增加,估計(jì)誤差收斂速度更快,但是振蕩也更加嚴(yán)重。這是因?yàn)殡m然辨識(shí)算法隨著新息長(zhǎng)度的增加,利用越來越多的系統(tǒng)信息,提高了辨識(shí)數(shù)據(jù)的利用率,但是噪聲信息也同時(shí)被進(jìn)一步利用,此時(shí)噪聲對(duì)辨識(shí)性能的影響也越來越大,從而導(dǎo)致估計(jì)性能開始惡化。
為了測(cè)試噪聲對(duì)辨識(shí)算法的影響,表5列出了不同噪聲大小下所提出算法的辨識(shí)誤差結(jié)果。從表5可知,弱噪聲下在不同時(shí)刻參數(shù)估計(jì)值更接近真實(shí)的參數(shù),強(qiáng)噪聲下參數(shù)估計(jì)值變化幅度較大,估計(jì)值在真實(shí)值附近波動(dòng)較大,也說明噪聲對(duì)辨識(shí)算法會(huì)產(chǎn)生一些不利的影響,表5證明圖3顯示的結(jié)果是正確的和合理的。
圖3 不同新息長(zhǎng)度下提出算法的估計(jì)誤差
表5 不同噪聲情況下D-MILS辨識(shí)性能
本文針對(duì)Wiener系統(tǒng)階次未知,采用行列式比方法確定系統(tǒng)的階次。對(duì)于非線性Wiener系統(tǒng)的冗余參數(shù)辨識(shí)問題,利用分解技術(shù),選擇分解項(xiàng)代入到相應(yīng)的表達(dá)式中,構(gòu)建被估計(jì)參數(shù)向量含較少的復(fù)合參數(shù)的辨識(shí)模型,提高了算法的運(yùn)行效率。針對(duì)系統(tǒng)的內(nèi)部變量,采用參考模型的輸出替代未知的內(nèi)部變量,增加了辨識(shí)性能。為改善最小二乘的收斂速度和估計(jì)精度,利用若干數(shù)據(jù)修改新息向量,使得標(biāo)量新息轉(zhuǎn)化為向量,獲得多新息最小二乘方法。最后,利用仿真分別分析了不同噪聲和不同新息長(zhǎng)度下提出算法的辨識(shí)性能與傳統(tǒng)最小二乘的對(duì)比,證明提出的算法具有一定的優(yōu)勢(shì)。
河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)2021年1期