![](/user_photo/2706_HbeT2.jpg)
- •1 Лекция 1. Понятие моделирования. Цели моделирования
- •2 Лекция 2. Основные термины в математическом моделировании. Виды математических моделей
- •2.1 Основные термины в математическом моделировании
- •2.2. Основные виды математических моделей
- •3 Лекция 3. Этапы процесса моделирования. Общие принципы построения моделей
- •3.1 Этапы процесса моделирования
- •3.2 Общие принципы построения моделей
- •4 Лекция 4. Аналитические методы определения характеристик объектов
- •4.1 Основные уравнения динамики
- •4.2 Упрощение уравнений динамики
- •4.3 Линеаризация уравнений
- •5 Лекция 5. Аналитические методы моделирования объектов с сосредоточенными параметрами
- •6 Лекция 6. Примеры моделирования объектов с сосредоточенными параметрами
- •7 Лекция 7. Объекты с сосредоточенными параметрами. Динамика теплообменных процессов
- •8 Лекция 8. Аналитические методы определения характеристик тепловых объектов
- •9 Лекция 9. Моделирование объектов с распределенными параметрами
- •10 Лекция 10. Общие сведения о проблеме идентификации
- •10.1 Основные понятия
- •10.2 Классификация методов идентификации
- •11 Лекция 11. Постановка задачи идентификации
- •11.1 Объект идентификации
- •11.2 Постановка задачи идентификации
- •12 Лекция 12. Идентификация линейных динамических объектов. Прямые методы
- •12.1 Прямые методы определения динамических характеристик
- •12.2 Идентификация с помощью переходной функции
- •13 Лекция 13. Идентификация линейных динамических объектов. Прямые методы
- •13.1 Графическая идентификация с помощью переходной функции процессов второго порядка
- •13.2 Графическая идентификация с помощью импульсной переходной функции
- •13.3 Идентификация с помощью частотной характеристики
- •14 Лекция 14. Параметрическая идентификация линейных объектов
- •14.1 Статические детерминированные линейные модели
- •14.2 Динамические детерминированные модели
- •15 Лекция 15. Непараметрическая идентификация линейных динамических объектов. Корреляционные функции
- •15.1 Общий подход к определению непараметрической модели
- •15.2 Определение корреляционных функций сигналов
- •16 Лекция 16. Непараметрическая идентификация линейных динамических объектов. Уравнение Винера-Хопфа
- •16.1 Уравнение Винера-Хопфа для определения импульсной переходной функции
- •16.2 Алгебраический метод решения уравнения Винера-Хопфа
- •17 Лекция 17. Методы идентификации, основанные на
- •17.1 Краткие сведения об аппроксимации функций
- •17.2 Сглаживание дискретных значений импульсной переходной функции
- •17.3 Метод идентификации, основанный на предварительной аппроксимации импульсной переходной функции
- •18 Лекция 18. Методы идентификации, основанные на аппроксимации характеристик объектов и сигналов
- •18.1 Метод идентификации, основанный на совместной аппроксимации импульсной переходной и корреляционных функций
- •18.2 Метод идентификации, основанный на аппроксимации сигналов
- •19 Лекция 19. Идентификация нелинейных объектов
- •19.1 Особенности идентификации нелинейных динамических объектов
- •19.2 Методы идентификации, основанные на линеаризации характеристик объектов
- •19.3 Идентификация нелинейных функций априорно известного вида
- •19.4 Идентификация объекта с нелинейностями общего вида
- •20 Лекция 20. Алгоритмы предварительной обработки и оценки идентичности
- •20.1 Алгоритмы оценки стационарности и линейности объекта
- •20.2 Количественная оценка степени идентичности модели реальному объекту
- •Список литературы
17.2 Сглаживание дискретных значений импульсной переходной функции
Наиболее простой и появившейся ранее других формой сглаживания является аппроксимация полученного решения системы алгебраических уравнений, эквивалентных уравнению Винера-Хопфа.
В результате решения системы уравнений (16.5) численным методом, получим дискретные значения g0, g1,…, gmимпульсной переходной функции g(t) в равноотстоящих точках 0, 1,…, n. Полученную последовательность дискретных величин представим с помощью какого-либо аппроксимирующего полинома
(17.6)
где {φk(τ)}- какая-либо система аппроксимирующих ортогональных функций.
Коэффициенты аппроксимации определяются как
.
(17.7)
Основные требования, предъявляемые к аппроксимирующей системе функций:
- функции {φk(τ)}должны быть абсолютно интегрируемы;
- функции {φk(τ)}должны быть достаточно гладкими для регуляризации решения уравнения идентификации;
- система функций {φk(τ)} должна быть линейно-независимой;
- система функций {φk(τ)} должна быть ортогональной;
- система функций {φk(τ)} должна гарантировать быстроту
аппроксимации с ростом степени полинома N;
- функции {φk(τ)} должны быть просто реализуемы с помощью
несложных вычислений.
Возникает вопрос о выборе степени Nаппроксимирующего полинома. Этот вопрос очень сложен и в настоящее время не решен до конца. При решении этой задачи возможны следующие подходы:
1. В ряде случаев характер импульсной переходной функции известен. Это позволяет определить степень Nаппроксимирующего полинома (17.6) с учетом конкретного вида аппроксимирующих функций {φk(τ)}.
2. Если известна дисперсия ошибки измерения взаимно-корреляционной функции Ryx значениеN можно определить по широко принятому в математической статистике критерию χ2.
3. Если дисперсия ошибки измерения Ryxнеизвестна, значение Nможно определить по известному из математической статистики критерию Фишера.
Однако следует отметить, что при больших значениях N в силу ошибок вычисления критерии Пирсона и Фишера становятся малонадежными.
4. Довольно общий подход к определению степени аппроксимирующего полинома N основан на принципе Гаусса. Значение N находится из условия минимума по N функционала
(17.8)
где -
результат подстановки полинома (17.7) в
систему уравнений (17.6) вместо импульсной
переходной функции g(t).
То есть минимизируется дисперсия Ryх.
17.3 Метод идентификации, основанный на предварительной аппроксимации импульсной переходной функции
Более эффективный метод решения задачи идентификации состоит в предварительной аппроксимации импульсной переходной функции объекта g(t) и последующем определении коэффициентов Фурье этого разложения по результатам наблюдений за входными и выходными сигналами. Аппроксимируем импульсную переходную функцию суммой (17.6), где {φk(τ)} - ортогональны. Коэффициенты разложения пока неизвестны. Минимизируем отклонение выходных сигналов объекта y(t) и модели y*(t), где y*(t)определяется из уравнения свертки
.
(17.9)
Подставив в это уравнение выражение для импульсной переходной функции (17.6), имеем
(17.10)
Критерий идентификации имеет вид
.
(17.11)
Отсюда
.
(17.12)
Наилучший
выбор имеет место при .
В итоге получим систему
(17.13)
для определения неизвестных коэффициентов разложения.
Как правило, на практике N<<m, то есть система (17.13) имеет существенно меньший порядок, чем (16.5) и хорошо обусловлена в силу гладкости системы функций {φk(τ)}. Однако проблема выбора степени Nаппроксимирующего полинома остается.