![](/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
18 Лекция 18. Методы идентификации, основанные на аппроксимации характеристик объектов и сигналов
Содержание лекции:
- методы сглаживания импульсной переходной функции
Цель лекции:
- изучить методы непараметрической идентификации, базирующиеся на аппроксимации неизвестных динамических характеристик объекта аналитическими выражениями.
18.1 Метод идентификации, основанный на совместной аппроксимации импульсной переходной и корреляционных функций
Регуляризующего эффекта можно достичь за счет предварительного сглаживания корреляционных функций сигналов объекта с помощью какого-либо аппроксимирующего полинома. В соответствии с этим методом импульсная переходная функция аппроксимируется выражением (17.1), где коэффициенты (17.2). При этом правая часть системы алгебраических уравнений (16.5), эквивалентных уравнению Винера-Хопфа, также аппроксимируется теми же функциями
(18.1)
причем, для получения системы с числом уравнений, равным числу неизвестных, число аппроксимирующих функций N в выражениях (17.1) и (18.1) выбирается одинаковым.
В выражении (18.1) в отличие от (17.1) коэффициенты
(18.2)
можно считать заданными, так как значения взаимной корреляционной функции Ryx(t) в узлах заданы, а функции {φ(τ)}известны.
Подставим в систему алгебраических уравнений (16.5), эквивалентных уравнению Винера-Хопфа, выражения(17.1) для импульсной переходной функции и (18.1) для взаимной корреляционной функции; умножим обе части на φj(τ) и суммируем от τ=0 до τ=m:
. (18.3)
В силу ортогонормированности функций {φj(τ)} приходим к системе линейных уравнений относительно неизвестных коэффициентов ak:
(18.4)
где (18.5)
Решив эту систему, найдем оценку импульсной переходной функции по выражению (17.1). Система уравнений (18.4) имеет существенно меньший порядок, чем исходная система, и хорошо обусловлена в силу гладкости{φj(τ)}и невысокого порядка. Это позволяет получать достаточно точные оценки импульсных переходных функций путем простых вычислений. В процессе решения возникают трудности, связанные с выбором количества аппроксимирующих функций, о которых упоминалось и ранее.
18.2 Метод идентификации, основанный на аппроксимации сигналов
Если входные и выходные сигналы объекта могут быть аппроксимированы каким-либо аналитическим выражением, импульсная переходная функция может быть получена из интеграла свертки или из уравнения Винера-Хопфа также в аналитическом виде.
Рассмотрим реализацию этого подхода. Входные и выходные сигналы объекта аппроксимируются на интервале наблюдения линейной комбинацией некоторых функций. Искомую импульсную переходную функцию также аппроксимируют этой же системой функции. Например, пусть сигналы разложены в ряды ортогональных полиномов {pi(t)}:
(18.6)
где ,
а pij -
коэффициенты полинома.
То есть сигналы представляются в виде степенных рядов
(18.7)
где коэффициенты связаны с коэффициентами разложения соотношениями:
.
Импульсную переходную функцию тоже ищем в виде степенного ряда
(18.8)
Подставляя (18.7) и (18.8) в интеграл свертки, получаем
.
(18.9)
Приравнивая коэффициенты при равных степенях, получим систему алгебраических уравнений для определения коэффициентов gi ввыражении (18.8). В результате имеем:
.
Представляет интерес аппроксимация сигналов в комплексной области, то есть представление их рядами ортогональных функций, легко преобразуемых по Лапласу. Такими функциями, являются, например, функции Лагерра L(t). В этом случае имеем:
(18.10)
Соотношения (18.10) в комплексной плоскости запишутся как
а передаточная функция объекта имеет вид:
.
Между коэффициентами {an} и {ck} имеют место следующие соотношения:
Можно получить аналогичные соотношения между {bi} и {di}.
Если сигнал, подаваемый на вход объекта, носит кусочно-постоянный характер или может быть аппроксимирован кусочно-постоянной функцией с достаточной степенью точности, алгоритмы идентификации упрощаются. Для j-го интервала входного сигнала с постоянным значением можно записать
,
где h(t) -
переходная функция.
Разложим ее по некоторой ортнормированной системе функций:
.
В этом случае, разложив выходной сигнал по той же системе функций, можно записать:
, откуда
следует:
.
Аналогичным образом можно поступить и в том случае, если входной сигнал может быть аппроксимирован кусочно-линейной функцией.
Аппроксимирующие функции обычно выбираются таким образом, чтобы достичь хорошего приближения при небольшом их числе. Приведем некоторые полиномы, широко использующиеся при решении задач идентификации.
Исходные полиномы Лагерра ортонормальны с весомω(t) = e-t на интервале (0, ∞). Полином Лагерра n-го порядка имеет вид
, (18.11)
а выражения для первых трех полиномов соответственно равны
.
Полиномы Лагерра ортогональны таким образом, что
.
После нормировки выражение (18.11) примет вид:
.
Другим важным типом аппроксимирующих функций являются полиномы Лежандра, ортогональные на интервале [-1,1]. n–ый полином Лежандра описывается выражением
. Первые
полиномы Лежандра, таким образом, имеют
вид:
Полиномы Чебышева ортогональны на интервале [-1,1] с весом
Полином Чебышева n -го порядка имеет вид:
Выражения для первых полиномов:
А коэффициенты разложения функцииf(x) по системе полиномов Чебышева имеют вид:
.
Аппроксимация произвольной функции полиномами Чебышева позволяет добиться равномерного распределения погрешности и избежать ее накопления к концу интервала.