1、系統辨識方法綜述摘要 在自然和社會科學的許多領域中，系統的設計、系統的定量分析、系統綜合及系統控制，以及對未來行為的預測，都需要知道系統的動態特性。在研究一個控制系統過程中，建立系統的模型十分必要。因此，系統辨識在控制系統的研究中起到了至關重要的作用。本文論述了用于系統辨識的多種方法，重點論證了經典系統辨識方法中運用最廣泛的的最小二乘法及其優缺點，引出了將遺傳算法、模糊邏輯、多層遞階 等知識應用于系統辨識得到的一些現代系統辨識方法，最后總結了系統辨識今后的發展方向。關鍵字：系統辨識；最小二乘法；遺傳算法；模糊邏輯；多層遞階 AbstractIn many fields of natural a

2、nd social science, the design of the system, the quantitative analysis of the system, the synthesis of the system and the control of the system, as well as the prediction of the future behavior, all need to know the dynamic characteristics of the system. It is very necessary to establish a system mo

3、del in the process of studying a control system. Therefore, system identification plays an important role in the research of control system. This paper discusses several methods for system identification, the key argument is that the classical system identification methods using the least squares me

4、thod and its advantages and disadvantages, and leads to the genetic algorithm, fuzzy logic, multi hierarchical knowledge application in system identification of some modern system identification method. Finally, the paper summarizes the system identification in the future direction of development.Ke

5、ywords: System identification; least square method; genetic algorithm; fuzzy logic; multi hierarchy第一章 系統辨識概述系統辨識是研究建立系統數學模型的理論和方法。系統辨識是建模的一種方法，不同的學科領域，對應著不同的數學模型。從某種意義上來說，不同學科的發展過程就是建立他的數學模型的過程。辨識問題可以歸結為用一個模型來表示客觀系統（或將要構造的系統）本質牲征的一種演算，并用這個模型把對客觀系統的理解表示成有用的形式。當然也可以有另外的描述，辨識有三個要素：數據，模型類和準則。辨識就是按照一個準則

6、在一組模型類中選擇一個與數據擬合得最好的模型。總而言之，辨識的實質就是從一組模型類中選擇一個模型，按照某種準則，使之能最好地擬合所關心的實際過程的靜態或動態特性。通過辨識建立數學模型的目的是估計表征系統行為的重要參數，建立一個能模仿真實系統行為的模型，用當前可測量的系統的輸入和輸出預測系統輸出的未來演變，以及設計控制器。對系統進行分析的主要問題是根據輸入時間函數和系統的特性來確定輸出信號。對系統進行控制的主要問題是根據系統的特性設計控制輸入，使輸出滿足預先規定的要求。而系統辨識所研究的問題恰好是這些問題的逆問題。第二章 最小二乘法2.1最小二乘法的引出18世紀末，德國數學家高斯首先提出了最小二

7、乘法，他用最小二乘法計算天梯運行軌道。這一方法后來被廣泛用于系統辨識領域。20世紀60年代，隨著電子計算機的普及，系統辨識方法有了飛速發展。為了選出使得模型輸出與系統輸出y(t)盡可能接近的參數估計值，可用模型與系統輸出誤差的平方和來度量接近程度，是誤差平方和最小的參數即為所求的估計值。應用最小二乘法對系統模型參數進行辨識的方法有離線辨識和在線辨識兩種離線辨識是在采集到系統模型所需全部輸入輸出數據后，用最小二乘法對數據進行集中處理，從而獲得模型參數的估計值；而在線辨識是一種在系統運行過程中進行的遞推辨識方法，所應用的數據是實時采集的系統輸入輸出數據，應用遞推算法對參數估計值進行不斷修正，以取得

8、更為準確的參數估計值。2.2 最小二乘法原理本文中以一個SISO系統為例說明最小二乘法的原理。假設一個SISO系統如下圖所示圖1 SISO系統結構圖其離散傳遞函數為： 3.1輸入輸出的關系為： 3.2進一步，我們可以得到： 3.3其中，擾動量為均值為0，不相關的白噪聲。將式3.3寫成差分方程的形式： 3.4令則式3.4可以寫為： 3.5將上述式子擴展到N個輸入、輸出觀測值，k=1,2,，N+n。將其代入到式3.5中，寫成矩陣的形式為： 3.6其中，取泛函為最小二乘法原理即是使最小，對其求極值得：由此可得系統的最小二乘法估計值為：這樣，我們就得到了系統的最小二乘估計值。以上推導的最小二乘法存在一

9、些缺點，比如：預先取得的觀測值越多，系統參數估計的精度越高，但使得矩陣的階數越大，矩陣求逆計算量也越大，所需的存儲空間也會越大；每增加一次觀測值，必須重新計算和； 若列相關,即不滿秩,則為病態矩陣,無法求得最小二乘估計值。2.3 最小二乘法的優缺點最小二乘是一種最基本的辨識方法，最小二乘法可以用于線性系統，也可以用于非線性系統；可用于離線估計和在線估計。在隨機情況下，利用最小二乘法時，并不要求觀測數據提供其概率統計方法的信息，而其估計結果，卻有相當好的統計特性。利用最小二乘法的系統辨識法一般要求輸入信號已知，并且必須具有較豐富的變化，然而，這一點在某些動態系統中，系統的輸入常常干擾保證；當模型

10、噪聲是有色噪聲時，最小二乘估計不是無偏、一致估計，并且隨著數據的增長，將出現所謂的“數據飽和”現象。第三章 現代系統辨識3.1 遺傳算法系統辨識法遺傳算法的基本思想來源一達爾文的進化論和門德爾的遺傳學說。該算法借助于計算機的編程，一般是將待求的問題表示成串。即為二進制碼或者整數碼串，從而構成一群串，并將他們置于問題的求解環境中。根據適者生存的原則，從中選擇出適應環境的串進行復制、變異兩種基因操作產生出新的一代更加適應環境的串群。經過這樣一代代的不斷變化，最后收斂于一個最適應環境的串上，即求得問題的最優解。遺傳算法不依賴于問題模型本身的特性，以及不容易陷入局部最優和隱含并行性等特點，能夠快速有效

11、的搜索復雜、高度非線性和多維空間，為系統辨識的研究與應用開辟一條新的途徑。將遺傳算法用于線性離散系統的在線辨識，比較好地解決了最小二乘法難以處理的時滯在線辨識和局部優化的缺點。用改進的遺傳算法，提出了一種辨識系統參數的方法，還能有效地克服有色噪聲的干擾，獲得系統參數的無偏估計。簡單的遺傳算法存在著收斂速度慢、容易陷入局部極值而導致未成熟收斂問題。由遺傳算法、進化編碼等構成的新的進化計算是近年來發展的很迅速、很有前途的一種優化算法，其借助于生物進化的優勝劣汰的原則，從空間的一群點開始搜索，不斷的進化以求得最優解。新的進化計算法還具有較強的魯棒性，并且不容易陷入局部解，所以人們可以用進化計算來解決

12、系統辨識問題。其主要思想是：用遺傳算法操作保證搜索是在整個解空間進行的，同時優化過程不依賴于種群初值的選擇，用進化編碼操作保證求解過程的平穩性，該方法比分別用遺傳算法和進化編碼的效果都要好。3.2 模糊邏輯系統辨識法模糊邏輯理論用模糊集合理論，從系統輸入和輸出的量測值來辨識系統的模糊模型，也是系統辨識的一個新的和有效的方法，在非線性系統辨識領域中有十分廣泛的應用。因而，模糊邏輯辨識法深受研究者的青睞。模糊邏輯辨識具有獨特的優越性；能夠有效地辨識復雜和病態結構的系統；能夠有效地辨識具有大時延、時變、多輸入單輸出的非線性復雜系統；可以辨識性能優越的人類控制器；可以得到被控對象的定性與定量相結合的模

13、型。模糊邏輯建模方法的主要內容可分為兩個層次：一是模型結構的辨識，另一個是模型參數的估計。TS模糊是一種經典的模糊模型，該模糊模型是以局部線性化為基礎，通過模糊推理的方法實現了全局的非線性。該模型具有結構上簡單、逼近能力強等特點，已經成為模糊邏輯辨識中常用的模型。典型的模糊結構門市部方法有：模糊網格法、自適應模糊格法、模糊聚類法及模糊搜索樹法等。其中模糊聚類法是目前最常用的模糊系統結構辨識方法，其中心問題是設定合理的聚類指標，根據該指標所確定的聚類中心可以使模糊輸入空間劃分最優。另外，還有一些把模糊理論與神經網絡、遺傳算法等相結合而形成的辨識方法。3.2 多層遞階系統辨識法多層遞階方法的主要思

14、想為：以時變參數模型的辨識方法作為基礎，在輸入輸出等價的意義下，把一大類非線性模型化為多層線性模型，為非線性系統的建模給出了一個十分有效的途徑。對于一個復雜系統的辨識，多層遞階方法可以利用層數的增加，通過多層的線性模型來描述所考慮的復雜系統，并且將預報模型分成基本結構部分和時變參數部分，然后基于模型等價的原理，分別對每層模型的時變參數進行辨識，直到參數為非時變為止。這種方法的特點是：采用時變參數，能夠對實際進行較好的擬合，精確地反映波動特性。從20世紀90年代以來，多層遞階方法的研究引起了廣泛的關注，其理論研究取得了長足的迅速發展。該方法也有廣泛的應用前景，比如在氣象領域、農業病蟲害預報和金融

15、系統等應用研究方面已碩果累累。第四章 系統辨識的展望近二十年來，系統辨識獲得了長足的發展，已經成為控制理論的一個十分活躍而又重要的分支。從線性現象和線性系統的研究過渡到非線性現象和非線性系統的研究是科學發展的必然結果，這不僅是對科學家們一種新的挑戰，而且也是人類社會向更高級形式演化的一種必然。隨著神經網絡理論、小波理論等的不斷成熟，逐漸形成了形式多樣的現代的系統辨識方法，并且已在大量實際問題應用中取得了較好的使用效果。參考文獻1.劉靜紈，最小二乘法在系統辨識中的應用，北京建筑工程學院學報，第20卷 第3期，2004年9月2.郭利輝，朱勵洪，基于MATLAB的最小二乘法系統辨識與仿真，許昌學院學

16、報，第29卷 第2期，2010年3.劉子宣 系統辨識方法的研究與工程化應用，碩士學位論文，20094. 李言俊，張科，系統辨識理論及應用，北京：國防工業出版社，2009年5.方崇智，蕭德云，過程辨識，第一版，北京，清華大學出版社，199826.陳建勤，席裕庚，模糊規則的學習及其在非線性系統建模中的應用，自動化 學報，1997，23(4)：533537 7.邵 青，馮汝鵬，非線性系統模糊辨識的新方法，控制與決策，2001， 16(1)：83898. Debrup Chakraborty，Nikhil RPalIntegrated Feature Analysis and Fuzzy RuleBa

17、sed System Identification in a NeuroFuzzy ParadigmIEEE Transactions on Systems，Man，and CyberneticsPart B：Cybernetics 2001，31(3)：3914009. 孫多青，不確定系統的模糊自適應控制與辨識新方法研究，北京航空航天大 學博士論文，2002110. 朱六璋，不確定性系統定性建模與控制研究，中國科學技術大學博士論文， 2002411. 張航，非線性系統的神經模糊建模研究，大慶石油學院碩士論文，200412. 肖飄，廣義模糊聚類及其在T-S模型辨識中的應用，中國科學院自動化研究

18、 所碩士論文，2001513. 高雪鵬，基于神經網絡與模糊推理系統的非線性系統辯方法的比較研究，中 國科學技術大學碩士論文，2001.114. Jason Robert Kolodziej，A Robust Model Determination Algorithm for Nonlinear System Identification，State University of New York at Buffalo，A dissertation submitted for the degree of Doctor of Philosophy，200115. 周明，孫樹棟，遺傳算法原理及應用，北

19、京，國防工業出版社，199916. 方崇智，蕭德云，過程辨識，北京，清華大學出版社，198817. 馮培悌，系統辨識，第2版，浙江，浙江大學出版社，2004年12月18. 李言俊，張科，系統辨識理論及應用，第l版，北京市海淀區紫竹院南路23號，國防工業出版社，2003年5月：12013919. 侯媛彬，汪梅，王立琦，系統辨識及其MATLAB仿真，第一版北京，科學出版社，2004年2 月20. 龐中華，崔紅，系統辨識與自適應控制MATLAB仿真，第一次，北京，北京航空航天大學出 版社，2009年8月21. 王婷，單變量系統辨識方法的研究與仿真，北京，北京化工大學出版社，201122. 靳其兵，王

20、婷基于改進粒子群優化的連續系統閉環辨識新方法，化工自動化及儀表， 2011，38(7)：83784023. 王凌，智能優化算法及其應用，北京，清華大學出版社，200124. 王琳，馬平，系統辨識方法綜述，電力情報，200l，4：63-6625. 徐志成，基于微粒群優化的魯棒PID控制器參數整定方法研究，化工自動化及儀表，2006， 33(5)：222526. 徐小平，錢才富，王峰，非線性系統辨識方法研究，計算機工程與應用，2010，46(6)：19-2227. 李少遠，蔡文劍，工業過程辨識與控制，北京，化學工業出版社，200528. 潘立登，潘仰東，系統辨識與建模，北京，化學工業出版社，200

21、429. 朱幼蓮，一種新的基于極大似然估計的系統辨識算法，現代雷達，1998，20(1)：33-3830. 靳其兵，鐘洋，趙大力，漸進辨識法的改進及在化工過程中的應用，北京化工大學學報， 2008，35(2)：929531. Yang ChunJie，WU PingNeural networks based predictive control for TRT,International Conference on Neural Networks and Brain，Beij ing，China,Oct 13-15，200532. WUPing，Yang Chun-Jie，Song ZhiHu

22、anReeursive subspace model identification basedon vector autoregressive modelling，Proceedings of the 1 7th WorldCongress，The International Federation of Automatic Control，Seoul，Korea,July611200833. 莫建林，王偉，許曉鳴，張衛東，系統辨識中的閉環問題，控制理論與應用， 2002，4(9)：15-1634. 朱豫才，過程控制的多變鼙系統辨識，長沙，國防科技人學出版社，2005： 265335. 焦嵩嗚，

23、神經網絡在系統辨識中的研究與應用，保定，華北電力大學， 200236. 舒華，舒懷林，基于PID神經網絡的多變量非線性動態系統辨識，計算機工程與應用，2006，12：47-4937. 齊建玲，一種改進的BP網絡系統辨識算法的研究，華北航天工業學院學報， 2006，16(2)：1-538. 徐洪澤，褚東升，張福恩，一種改進的遺傳算法及其在系統辨識中的應用， 哈爾濱工業大學學報，1997，29(4)：72-7539. Lunng L，System IdentificationTheory for the user,Prentice Hall，EnglewoodCliffs，NJ，1 99940. Kennedy R，Mendes Population structure and pa