- •В.И. Королев, в.В. Сахаров, о.В. Шергина оценка параметров, моделирование динамических систем и электрических цепей в среде matlab
- •Санкт-Петербург
- •Рецензенты:
- •Isbn 5-88964-073-X © Королев в. И.,
- •Содержание
- •1. Идентификация параметров моделей систем на основе квадратичных методов оценивания………..……………………………………………………………........................... 11
- •Модели установившихся режимов в электрических цепях и
- •4. Модели пространства состояний в электрических цепях и
- •5. Системы и цепи под воздействием параметрических возмущений: численные и
- •6. Моделирование динамических систем и электрических цепей средствами
- •8. Моделирование технологических процессов в системах с помощью
- •Введение
- •Идентификация параметров моделей систем на основе квадратичных методов оценивания
- •Линейные модели систем Рассмотрим систему линейных уравнений
- •Рассмотрим линейное уравнение
- •Для существования точного решения уравнения (1.1) должно выполняться условие
- •1.2. Переопределенные системы уравнений. Метод наименьших квадратов
- •Введем векторы
- •1.3. Оценивание параметров периодических сигналов по экспериментальным данным
- •Таким образом, требуется оценить амплитуды и фазы
- •Разделив период t на 24 равных интервала, мы получим . Так как , то каждому будет соответствовать угол (в градусах).
- •1.4. Рекуррентный метод оценивания параметров моделей
- •1.5.Алгоритм оценивания параметров моделей в условиях ограничений
- •Минимальное значение (1.43) соответствует условию
- •1.6. Нормы оценивания параметров в теории инверсных систем
- •1.7. Оценивание параметров по критерию минимума среднего абсолютного значения остатков
- •Уравнение измерителя
- •1.8. Нелинейное оценивание параметров моделей в режиме прямых вычислений
- •1.9. Алгоритм ортогонализации в оценке параметров динамических систем
- •Рассмотрим нелинейную дискретную модель системы
- •2. Модели установившихся режимов в электрических цепях и системах
- •2.1. Пример модели цепи постоянного тока
- •Пример модели цепи переменного тока
- •2.3.Несимметричные режимы в трехфазных электрических цепях: метод симметричных составляющих
- •2.4. Модель многоузлового разветвления русла в стационарном режиме. Аналогии с электрической цепью
- •2.5. Модель твердого тела с двумя неподвижными точками
- •2.6. Многопродуктовая модель экономики: межотраслевой баланс
- •2.7. Модель оценки элементов матрицы преобразования
- •3. Динамические звенья и системы под воздействием гармонических сигналов
- •3.1.Построение частотных характеристик простых динамических звеньев
- •3.2.Резонанс в динамических системах
- •3.4. Резонанс в электрических цепях
- •3.4. Режим биений
- •4. Модели пространства состояний в электрических цепях и системах
- •4.1. Понятие состояния
- •4.2. Уравнения состояния для электрических цепей
- •4.3. Приведение к резистивной форме моделей электрических цепей с одним накопителем энергии
- •4.4. Определение коэффициентов дифференциальных уравнений моделей электрических цепей с двумя накопителями энергии
- •4.5. Электрическая цепь с четырьмя накопителями энергии
- •4.6. Примеры составления уравнений состояния rlc -цепей в матричной форме
- •Исходная цепь
- •Краткие сведения о решателях дифференциальных уравнений
- •5.2. Об аналитическом решении дифференциальных уравнений
- •5.3.Матричная форма решения уравнений состояния динамических систем
- •Моделирование динамических систем с двумя накопителями энергии при параметрических возмущениях Для определенности рассмотрим модель динамической системы с двумя накопителями энергии:
- •Моделирование –цепей. Аналитические решения
- •Сопротивления ,
- •Переходный процесс в -цепи под воздействием синусоидального входного сигнала
- •Системы, находящиеся под воздействием периодических сигналов прямоугольной формы
- •Динамические системы с двумя накопителями энергии
- •Корни комплексно-сопряженные.
- •Кратные корни.
- •Вещественные неравные корни
- •Динамические системы с тремя накопителями энергии
- •6. Моделирование динамических систем и электрических цепей средствами символьной математики
- •6.1. Символьные выражения и алгебра
- •6.2. Алгебраические и трансцендентные уравнения. Расчет цепи постоянного тока
- •Символьной алгебры
- •6.3. Символьное дифференцирование и интегрирование
- •6.4. Решение дифференциальных уравнений в символьной форме
- •6.5. Моделирование переходных процессов в электрических цепях средствами пакета символьной математики
- •6.6. Операторный метод расчета переходных процессов с использованием пакета символьной математики
- •7. Модели детерминированного хаоса и их применение
- •7.1. Дискретные динамические модели первого порядка со сложной динамикой
- •7.2. Программное обеспечение и моделирование нелинейных дискретных систем. Хаос
- •7.3. О применении нелинейных моделей систем для получения псевдослучайных хаотических последовательностей
- •Моделирование технологических процессов в системах с помощью нейронных сетей
- •8.1.Общие положения
- •8.2. Последовательность операций при создании нейронной сети в среде matlab ( Neural Networks Toolbox)
- •3. Оценка погрешности нейронной модели. Для оценки используется функция моделирования, где в скобках, согласно синтаксису, приводятся сеть и входной сигнал:
- •Моделирование уровней воды в водной коммуникации на основе нейронных сетей
- •В водной коммуникации
- •8.4. Применение нейронной сети для определения химического состава песчано – гравийной смеси
- •Моделирование технологического процесса оценки и прогноза рыночных факторов, воздействующих на работу предприятия и бизнес в классе нейронных сетей
- •Библиографический список
- •Оценка параметров, моделирование динамических систем и электрических цепей в среде MatLab
- •165300, Г. Котлас, ул. Невского, 20.
1.6. Нормы оценивания параметров в теории инверсных систем
Остановимся кратко на анализе центральных оценивателей и оценивателей дисперсии, используемых в теории инверсных систем.
Одномерный процесс.
Предположим, что задана нормализованная одномерная функция плотности распределения вероятности f(x). Рассмотрим выражение
(1.47)
Для заданного p выберем значение т, которое доставляет минимум sp(m). Обозначим его в виде тр. Очевидно, тр можно назвать центром f(x) в смысле lр-нормы (1.47). Значение m1 есть медиана, m2 — среднее (или математическое ожидание), m - срединный размах (l - норма).
Медиана соответствует минимуму l1 нормы
- минимум
среднее значение соответствует минимуму l2 -нормы:
- минимум
при минимуме lр - нормы можно оценить т:
для
Значение функциив стационарных точках минимума определяет дисперсию в критериальном смысле lр -нормы и обозначается p:
(1.48)
Очевидно, 1 - среднее отклонение, 2- стандартное отклонение, - половина диапазона. При этом учитываются следующие свойства:
среднее отклонение (минимум l1 - нормы):
стандартное отклонение (минимум l2-нормы):
полуразмах (минимум l -нормы):
Многомерный процесс.
В этом случае задается функция плотности вероятности f(x), определяемая для вектора переменных x ={xi} ; . Рассматривается оператор с2(m), определяемый с помощью элементов вектора x:
(1.49)
Вектор m2, минимизирующий диагональные элементы оператора с2 (m), определяется как среднее (или математическое ожидание) вектора x в смысле l2 -нормы. Он вычисляется с помощью интеграла
Если m = m2, то оператор (1.49) представляет собой ковариацию вектора x в смысле l2-нормы, которую можно обозначить в виде C2:
(1.50)
Заметим, что диагональные элементы C2 равны дисперсиям (квадратам стандартных отклонений), которые ранее обозначались как :
Свойства ковариации (при норме l2) приведены в классической работе Пугачева B.C.:
a) свойство симметрии -
b) C2 является неотрицательно определенной - для любого вектора x
c) если C2 положительно определена, то для любого вектора x величина имеет свойства нормы. Она определяется как весовая l2 -норма вектора x;
d) корреляционные коэффициенты определяемые по формуле , обладают следующим важным свойством - ;
e) плотность вероятности
где N - размерность вектора x, нормализуется со средним значением х0 и ковариационным оператором с2 [39].
Среди всех плотностей вероятностей с заданной нормой l2 оператора ковариации, функция Гаусса соответствует минимуму информации (т.е. функция имеет максимум при минимуме показателя степени экспоненты).
Остановимся теперь на обобщении процесса с нормальным распределением. Среди всех нормированных плотностей вероятности по норме lр оцениватель дисперсии
единственный удовлетворяет условию минимума информации. Эта плотность представляется уравнением
(1.51)
где Г() есть гамма-функция [42].
Задаваясь различными значениями p, можно построить обобщенную характеристику, изменяющую форму в зависимости от нормы. B частности, если p = 1
и - симметричная экспонента, центрированная при со средним отклонением 1. Для р = 2
есть функция Гаусса со стандартным отклонением 2. Для p =
Функция имеет прямоугольную форму, центрированную при с размахом, равным . Функция нормирована к единице.
Функцию (1.51) называют также обобщенным гауссианом, т.к. она генерирует семейство функций, содержащих в своем составе функцию Гаусса. Отметим, что приведенные выше функции часто используются для моделирования распределений ошибок. Введение обобщенного гауссиана способствует некоторому расширению возможности выбора распределений для оценки погрешностей сигналов в измерительных средствах судовых энергетических комплексов.
Большое практическое применение получили оцениватели по норме p= 1. Для такой оценки мы предлагаем эффективный алгоритм, основанный на выборе минимальных составляющих вектора погрешностей, полученных на начальной стадии решения с помощью изложенного выше метода наименьших квадратов.
Если в критерии (1.47) предположить симметрию относительно тр и перейти от интеграла к дискретным оценкам, приняв за основу уравнение измерителя в форме (1.49), то критерий качества примет следующий вид:
(1.52)
где p 1. Если р = 2, то J2 (х) естъ корень квадратный из суммы квадратов остатков, так что минимизация J2 (x) эквивалентна наилучшей оценке по методу наименьших квадратов.
Статистические свойства средней амплитудной и среднеквадратической оценок можно интерпретировать следующим образом. Среднеквадратическая оценка соответствует определению среднего квадрата множества измерений, в то время как оценка по критерию L1 - нахождению среднего значения множества измерений. Использование среднего значения в процедуре оценивания состоит в нахождении n (число переменных состояния) остатков, равных нулю, и (m – n) ненулевых остатков (т — число измерений). При этом предполагается, что, в общем, каждое измерение может подвергаться воздействию шума Гаусса. Использование весовых факторов изменяет дисперсию шума измерений, так что в целом система измерений может рассматриваться как имеющая шумовую составляющую, представляемую распределением Гаусса со смешанной дисперсией. Для распределений Гаусса со смешанными дисперсиями, а также для негауссовских распределений среднее амплитудное оценивание дает хорошие практические результаты. Это утверждение основывается на целом ряде работ, где проблема минимизации линейного критерия качества решалась с помощью симплекс-метода, являющегося основным методом поиска оптимума в линейном программировании [19].