系统辨识与逆系统辨识

墨影清泉

已于 2023-10-07 20:37:16 修改

阅读量487

点赞数

文章标签：算法信号处理

于 2023-10-07 20:31:43 首次发布

本文链接：https://blog.csdn.net/qq_42233059/article/details/133654485

版权

一、系统辨识

系统辨识又称为系统建模。顾名思义，所谓系统辨识是根据一个系统的输入及输出关系来确定系统的参数，如系统的转移函数。一旦该系统的转移函数被求出，当然也就是对该系统建立了一个数学模型。

一个基于自适应滤波器的系统辨识方案如下图所示。图中G(z)是待辨识的未知系统，它在文献中又称为一个“设备(plant)”，H(x)是自适应滤波器，假定它是长度为M的FIR滤波器。它们有着共同的输人x(n)。记G(x)的输出为y(n)，H(z)的输出为 $\hat{y}(n)$ 。通常，待辨识的系统内部会产生噪声，我们可以把该噪声抽象为输出端的加法性噪声，即图中的d(n)=y(n)+u(n)。

误差序列e(n)=d(n)一 $\hat{y}(n)$ 。通过调整自适应滤波器的系数h(l)，l=0，1，…，M-1，我们可使如下的最小平方误差能量

为最小，从而得到一组线性方程

式中N是观察次数， $r_{x}(l)$ 是输入x(n)的自相关， $r_{dx}(l)$ 是d(n)和x(n)的互相关。

一旦上式中的 $\varepsilon _{M}$ 达到最小，此时自适应滤波器收敛。收敛后的滤波器系数所决定的系统H(x)就是对系统G(x)的逼近或建模。上述建模的原理实际上是自适应滤波器通过不断地调整自己，使自己的输出y(n)不断地匹配d(n)。在最佳匹配时，我们有

或G(x)≈H(x)，从而实现了对G(x)的辨识或建模。

二、逆系统辨识

下图给出的是逆系统辨识的实现方案，或称为系统的逆向辨识。假定图中延迟器的转移函数 $Q(z)=z^{-\bigtriangleup }$ ， $\bigtriangleup$ 应等于未知系统和自适应滤波器共同产生的延迟。误差序列e(n)不断地调整自适应滤波器的系数，使误差能量为最小。一旦自适应滤波器收敛，则

因此， $G(z)\approx z^{-\bigtriangleup }H^{-1}(z)$ ，实现了对未知系统的辨识。

注意：延迟器不能去掉，我们希望d(n)和 $\hat{y}(n)$ 要尽可能相似，如果这两个信号的时间差太大，会降低他们之间的相关性，使得滤波器收敛速度变慢。从下图的两信号相关性可以看出，信号之间的时间差越大，相关性越弱。因此，延迟器Q(z)的加入是必须的。

参考文献：数字信号处理理论、算法与实现（第三版）胡广书（编著）

墨影清泉

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
系统辨识与逆系统辨识

图中G(z)是待辨识的未知系统，它在文献中又称为一个“设备(plant)”，H(x)是自适应滤波器，假定它是长度为M的FIR滤波器。记G(x)的输出为y(n)，H(z)的输出为。收敛后的滤波器系数所决定的系统H(x)就是对系统G(x)的逼近或建模。顾名思义，所谓系统辨识是根据一个系统的输入及输出关系来确定系统的参数，如系统的转移函数。通常，待辨识的系统内部会产生噪声，我们可以把该噪声抽象为输出端的加法性噪声，即图中的d(n)=y(n)+u(n)。或G(x)≈H(x)，从而实现了对G(x)的辨识或建模。
复制链接

扫一扫