前言
数学模型有确定性和随机性之分,模型中变量受到随机干扰的系统称为随机系统,反之为确定系统。本文会介绍随机系统的各个数学模型
一、随机系统模型
随机系统模型是指在确定系统模型的基础上加上一个随机噪声,因此数学模型中带有噪声项的都可以认为是随机系统模型。
首先将随机系统分为了“时间序列模型”、“方程误差类模型”和“输出误差类模型”三大类,接下来从这三个类别依次讨论。以下讨论的系统均为单输入单输出系统。
为了方便起见,设
u
(
t
)
{u(t)}
u(t)为系统输入序列,
y
(
t
)
{y(t)}
y(t)为系统观测输出序列,
v
(
t
)
{v(t)}
v(t)为零均值随机白噪声序列,然后定义:
A
(
z
)
=
1
+
a
1
z
−
1
+
a
2
z
−
2
+
…
+
a
n
a
z
−
n
a
,
a
i
∈
R
,
A(z)=1+a_1z^{-1}+a_2z^{-2}+…+a_{n_a}z^{-n_a},a_i\in R,
A(z)=1+a1z−1+a2z−2+…+anaz−na,ai∈R,
B
(
z
)
=
b
1
z
−
1
+
b
2
z
−
2
+
…
+
b
n
b
z
−
n
b
,
b
i
∈
R
,
B(z)=b_1z^{-1}+b_2z^{-2}+…+b_{n_b}z^{-n_b},b_i\in R,
B(z)=b1z−1+b2z−2+…+bnbz−nb,bi∈R,
C
(
z
)
=
1
+
c
1
z
−
1
+
c
2
z
−
2
+
…
+
c
n
c
z
−
n
c
,
c
i
∈
R
,
C(z)=1+c_1z^{-1}+c_2z^{-2}+…+c_{n_c}z^{-n_c},c_i\in R,
C(z)=1+c1z−1+c2z−2+…+cncz−nc,ci∈R,
D
(
z
)
=
1
+
d
1
z
−
1
+
d
2
z
−
2
+
…
+
d
n
d
z
−
n
d
,
d
i
∈
R
,
D(z)=1+d_1z^{-1}+d_2z^{-2}+…+d_{n_d}z^{-n_d},d_i\in R,
D(z)=1+d1z−1+d2z−2+…+dndz−nd,di∈R,
F
(
z
)
=
1
+
f
1
z
−
1
+
f
2
z
−
2
+
…
+
f
n
f
z
−
n
f
,
f
i
∈
R
,
F(z)=1+f_1z^{-1}+f_2z^{-2}+…+f_{n_f}z^{-n_f},f_i\in R,
F(z)=1+f1z−1+f2z−2+…+fnfz−nf,fi∈R,
1.时间序列模型
时间序列模型的特征是系统中有两个变量,一个是观测 y ( t ) y(t) y(t),一个是随机白噪声 v ( t ) v(t) v(t).
1.1 自回归模型(AR模型)
A ( z ) y ( t ) = v ( t ) A(z)y(t)=v(t) A(z)y(t)=v(t)
1.2 滑动平均模型(MA模型)
y ( t ) = D ( z ) v ( t ) y(t)=D(z)v(t) y(t)=D(z)v(t)
1.3 自回归滑动平均模型(ARMA模型)
A ( z ) y ( t ) = D ( z ) v ( t ) A(z)y(t)=D(z)v(t) A(z)y(t)=D(z)v(t)
1.4 确定性ARMA模型
A
(
z
)
y
(
t
)
=
D
(
z
)
u
(
t
)
A(z)y(t)=D(z)u(t)
A(z)y(t)=D(z)u(t)
这里是一个确定系统模型,因为随机的
v
(
t
)
v(t)
v(t)被替换为了确定的
u
(
t
)
u(t)
u(t).
1.5 带积分ARMA模型
A ( z ) ( 1 − z − 1 ) d y ( t ) = D ( z ) v ( t ) A(z)(1-z^{-1})^dy(t)=D(z)v(t) A(z)(1−z−1)dy(t)=D(z)v(t)
2.方程误差类模型
A
(
z
)
y
(
t
)
=
B
(
z
)
u
(
t
)
+
ω
(
t
)
A(z)y(t)=B(z)u(t)+\omega(t)
A(z)y(t)=B(z)u(t)+ω(t)
其中
ω
(
t
)
\omega(t)
ω(t)为白噪声或有色噪声。
对于方程误差类模型的分析,需要把重点放在
ω
(
t
)
\omega(t)
ω(t)上。
2.1 受控自回归模型(CAR模型)
A ( z ) y ( t ) = B ( z ) u ( t ) + v ( t ) A(z)y(t)=B(z)u(t)+v(t) A(z)y(t)=B(z)u(t)+v(t)
2.2 受控自回归滑动平均模型(CARMA模型)
A ( z ) y ( t ) = B ( z ) u ( t ) + D ( z ) v ( t ) A(z)y(t)=B(z)u(t)+D(z)v(t) A(z)y(t)=B(z)u(t)+D(z)v(t)
2.3 受控自回归自回归模型(CARAR模型)
A ( z ) y ( t ) = B ( z ) u ( t ) + 1 C ( z ) v ( t ) A(z)y(t)=B(z)u(t)+\frac{1}{C(z)}v(t) A(z)y(t)=B(z)u(t)+C(z)1v(t)
2.4 受控自回归自回归滑动平均模型(CARARMA模型)
A ( z ) y ( t ) = B ( z ) u ( t ) + D ( z ) C ( z ) v ( t ) A(z)y(t)=B(z)u(t)+\frac{D(z)}{C(z)}v(t) A(z)y(t)=B(z)u(t)+C(z)D(z)v(t)
3.输出误差类模型
y
(
t
)
=
B
(
z
)
A
(
z
)
u
(
t
)
+
ω
(
t
)
y(t)=\frac{B(z)}{A(z)}u(t)+\omega(t)
y(t)=A(z)B(z)u(t)+ω(t)
模型特征是包含了有理方式项
B
(
z
)
A
(
z
)
u
(
t
)
\frac{B(z)}{A(z)}u(t)
A(z)B(z)u(t)
3.1 输出误差模型(OE模型)
y ( t ) = B ( z ) A ( z ) u ( t ) + v ( t ) y(t)=\frac{B(z)}{A(z)}u(t)+v(t) y(t)=A(z)B(z)u(t)+v(t)
3.2 输出误差滑动平均模型(OMEA模型)
y ( t ) = B ( z ) A ( z ) u ( t ) + D ( z ) v ( t ) y(t)=\frac{B(z)}{A(z)}u(t)+D(z)v(t) y(t)=A(z)B(z)u(t)+D(z)v(t)
3.3 输出误差自回归模型
y ( t ) = B ( z ) A ( z ) u ( t ) + 1 C ( z ) v ( t ) y(t)=\frac{B(z)}{A(z)}u(t)+\frac{1}{C(z)}v(t) y(t)=A(z)B(z)u(t)+C(z)1v(t)
3.4 输出误差自回归滑动平均模型(OEARMA模型或Box-Jenkins模型)
y ( t ) = B ( z ) A ( z ) u ( t ) + D ( z ) C ( z ) v ( t ) y(t)=\frac{B(z)}{A(z)}u(t)+\frac{D(z)}{C(z)}v(t) y(t)=A(z)B(z)u(t)+C(z)D(z)v(t)
3.5 一般输出误差模型
F ( z ) y ( t ) = B ( z ) A ( z ) u ( t ) + D ( z ) C ( z ) v ( t ) F(z)y(t)=\frac{B(z)}{A(z)}u(t)+\frac{D(z)}{C(z)}v(t) F(z)y(t)=A(z)B(z)u(t)+C(z)D(z)v(t)
参考文献
丁锋.系统辨识新论[M].北京:科学出版社,2013:45.