- •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.
-
1.4. Рекуррентный метод оценивания параметров моделей
Важным свойством (1.15) является возможность значительного упрощения вычислительной процедуры путем использования рекуррентной схемы, исключающей необходимость инверсии гауссовской нормальной матрицы полной размерности.
Возвращаясь вновь к модели измерителя (1.11), запишем матричное уравнение, соответствующее т измерениям, с индексами (m)
(1.28)
Так как учет результата каждого последующего измерения связан с изменением числа строк матрицы H и размерности векторов у и v, то, вообще говоря, оценка может производиться с помощью (1.15). Если при этом воспользоваться методом наименьших квадратов со взвешиванием измерений, то критерий качества
(1.29)
содержащий ковариационную матрицу, принимает минимальное значение, если оценка x выполняется путем решения матричного уравнения
(1.30)
Индекс означает, что оценка размерности (nх1) производится
по т измерениям (априорное оценивание).
Предположим, что выполнено (m+1) - oe измерение ут+1, Нm+1 и vm+1 . Тогда новое измерение, согласно (1.28), можно представить с помощью уравнения
(1.31)
Присоединим (1.31) к системе (1.28) с помощью блоков
(1.32)
Новая апостериорная оценка состояния должна производиться по числу измерений, использованных в (1.32):
(1.33)
Размерность вектора оцениваемых параметров (переменных состояния) с добавлением новых измерений не изменяется. Однако численные значения его элементов зависят от присоединенных данных. Тот факт, что добавление каждого нового результата измерений требует повторного выполнения всех операций, определенных (1.33), свидетельствует о возрастании объема вычислений с увеличением размерности матрицы H. Вместе с тем, объем рутинных вычислений можно значительно уменьшить, если новые измерения учитывать как поправки, вносимые в значения уже имеющихся оценок. При этом исключается необходимость операций над матрицами высокой размерности; соответственно, повышается эффективность вычислительных алгоритмов и машинных программ, используемых в
процессе управления технологическими комплексами. Для получения эффекта взвешивания измерений с помощью элементов ковариационной матрицы необходимо разделить на блоки соответствующих размерностей
(1.34)
т.е., согласно (1.34) не производится взвешивания произведения ошибок на первых т и последующих измерениях. Взамен же получаются эффективные вычислительные алгоритмы, уменьшающие объем вычислений, выполняемых в процедурах оценивания, на несколько порядков.
Используя существующие методы преобразования блочных матриц, можно преобразовать информационную матрицу, входящую в уравнение (1.33), к следующему виду [27]:
(1.35)
Введем обозначения:
и
тогда уравнение (1.35) можно записать
а инверсия
(1.36)
Применив к (1.36) лемму об обращении матриц, содержащуюся в работе [9], получим рекуррентную формулу
(1.37)
Если вектор измерений ут+ 1 в уравнении (1.4-4) вырождается в скалярную величину, то матрица также будет скалярной величиной, и, следовательно, ее обращение не представляет труда.
Если, например, и , то (1.37) принимает вид
(1.38)
Получен очень полезный результат, поскольку для нахождения новой оценки нет необходимости в инвертировании матрицы большой размерности с присоединением новых измерений. Новая оценка состоит из оценки на предыдущем шаге, с которой суммируется поправочный коэффициент, полученный по измерениям ym+ 1 , и Mm :
(1.39)
Возвращаясь к разности между оценочным и истинным значениями параметров и переходя к осредненным оценкам, можно определить ковариационную матрицу с помощью формулы
(1.40)
Используя (1.40), мы также можем получить рекуррентное соотношение, подобное (1.38) для :
(1.41)
Нетрудно заметить, что ковариационная матрица согласно(1.41), с увеличением т всегда уменьшается и в пределе стремится к нулю. Следовательно, оценка является не только несмещенной, но и состоятельной - это является исключительно важным свойством метода наименьших квадратов.
Рекуррентное оценивание начинается с заданных значений x0 и M0. Если они не заданы, а имеется в наличии система из n уравнений, следует получить Mn , хn , а затем с помощью (1.30) выполнить последующие оценки.
Для получения рекуррентного алгоритма в общем случае (для вектора ym+1) введем обозначение части второго слагаемого (1.37):
Поскольку уравнение (1.33) можно записать в виде
то, подставляя в него выражение (1.37), можно записать
Обращаясь вновь к специально выбранной форме ковариационной матрицы (1.33), с учетом того, что произведение
можно получить оценку в виде
Это выражение, представляющее собой рекурсивный оцениватель, получено с учетом того, что если в предшествующей формуле первое слагаемое в правой части умножить на Мm, оно будет представлять оценку (без учета новых данных).
Необходимо отметить, что каждое последующее значение оценки следует производить по предыдущей с добавлением поправки, зависящей от размерности у(m+1) и ожидаемого значения
"Работу" рекурсивного оценивателя продемонстрируем на следующем примере.
Предположим, что требуется оценить коэффициенты модели
по следующим экспериментальным данным в пяти точках на плоскости (x,y):
(0, l); (l, 2); (2, 4); (4, 5); (5, 6).
Сформируем матрицу H и вектор у:
Будем считать, что требуется рекурсивно оценить коэффициенты а и b по следующим данным:
на первом шаге
на втором шаге
Решение выполним для и
Для оценки используем операцию левого деления
Затем определим M1:
Для расчета M2 по формуле (1.4-10) предварительно найдем матрицу D
Используя D, получим
Оценка коэффициентов а и b на втором шаге, согласно уравнению рекурсивного оценивателя, будет состоять из оценки x1 и дополнительной составляющей, определяющей "вклад" экспериментальных данных на втором шаге. Поскольку , для оценки используем выражение
Для вычислений мы предлагаем фрагмент программы, содержащий исходные данные, из которых путем "вырезки" из матрицы H получены H1, H2, y1 и у2. По приведенным выше соотношениям рассчитаны M1, D, М2 и получены и .
Рекуррентньм метод оценивания параметров
y = [l 2 4 5 6]';H = [0 1 2 4 5; 1 1 1 1 1]’;
Hl = H (l:3,: );
H2 = H (4:5,: );
yl = y (l:3);
y2 = y (4:5);
Ml = inv (Hl' *Hl);
D = inv ([l 0; 0 l]+Hl*Ml*H2');
M2 = Ml-Ml*H2'*D*H2*Ml;
Вычисление оценок:
xl = Hl\yl;
x2 = xl+M2*H2'*(y2-H2*xl)
Проверка решения выполнена путем использования прямой оценки по формуле
Этот результат эквивалентен .
Таким образом, модель имеет вид