Программа учебной дисциплины (1245253), страница 2
Текст из файла (страница 2)
Постановка задачи. Основное отличие корреляционныхметодов идентификации. Оценка импульсной переходной функции при входном сигналеимеющим характеристики белого шума. Оценка импульсной переходной функции привходном сигнале являющимся фильтрованным белым шумом. Достоинства и недостаткиметода.Непараметрическая идентификация в частотной области. Оценка частотнойхарактеристики системы. Практические аспекты решения задач. Ограничение почастотам для дискретных систем.Метод синусоидального воздействия. Постановка задача. Построение практическогоэксперимента. Получение оценок частотной характеристики. Достоинства и недостаткиметода.
Способы повышения точности получаемой оценки и сложность их реализации,особенно для дискретных систем.Корреляционный метод в частотной области. Постановка задачи. Формирование оценокчастотной характеристики. Достоинства и недостатки метода. Связь математическойпостановки задачи с преобразованием Фурье.Эмпирическая оценка передаточной функции. Постановка задачи. Отличительнаяособенность метода. Понятие периодограммы. Формирование оценок частотнойхарактеристики. Свойства эмпирической оценки передаточной функции пригармоническом входном воздействии. Свойства эмпирической оценки передаточной14.15.16.17.18.19.20.21.22.23.24.25.26.27.функции при входном воздействии являющимся случайным процессом.
Достоинства инедостатки метода.Сглаженная эмпирическая оценка передаточной функции. Невозможность вычисленияплавающего среднего эмпирической оценки передаточной функции. Используемыймеханизм сглаживания на базе взвешенного среднего. Случай постоянства частотнойхарактеристики на небольшом заданном интервале частот.
Достоинства и недостаткиметода.Сглаженная эмпирическая оценка передаточной функции. Случай непостоянствачастотной характеристики на небольшом заданном интервале частот. Частотная оконнаяфункция, ее свойства и назначение. Параметр оконной функции и его назначение.Вычисление сглаженной эмпирической оценки передаточной функции через спектры ивзаимные спектры входных и выходных сигналов. Численное вычисление спектров черезкорреляционные функции. Оценка спектра измерительного шума. Когерентный спектр.Параметрическая идентификация. Постановка задачи.
Два основных подхода к решениюзадач параметрической идентификации.Параметрическая идентификация на базе моделирования. Методы решения задачи.Практические сложности. Достоинства и недостатки.Параметрическая идентификация на базе формирования прогноза. Основная идея.Формирование прогноза выхода дискретных систем, а как следствие формированиекритерия ошибки оценивания параметров системы. Достоинства и недостатки подхода.Применимости к непрерывным системам.Типовые структуры моделей описания дискретных систем в полиномиальной форме.ARX, ARMAX, ARARMAX, Box-Jenkins, Output-error структуры моделей.Формирование прогноза для каждой структуры модели. Достоинства и недостаткикаждой структуры модели.Метод минимизации прогноза ошибки (PEM) в задачах параметрическойидентификации.
Формирование функции потерь. Скалярный и векторный случаи.Интерпретация PEM методов в частотной области. Эффект сглаживания эмпирическойоценки передаточной функции.Метод наименьших квадратов в задачах параметрической идентификации.Формирование функции потерь. Численное решение задачи на примере линейнойрегрессии. Метод наименьших квадратов как корреляционный метод. Достоинства инедостатки метода. Взвешенный метод наименьших квадратов. Выбор весовыхкоэффициентов.
Скалярный и векторный случаи.Метод наибольшего подобия в задачах параметрической идентификации. Основная идеяметода. Формирование функции подобия.Метод апостериорного максимума в задачах параметрической идентификации. Основнаяидея. Связь с методом наибольшего подобия. Формирование оценок. Методапостериорного максимума как частный случай методов на базе ошибки прогноза.Идентификация дискретных систем, заданных в переменных состояния. Сложностьпрактической реализации. Необходимое условие для идентифицируемости.
Решениезадачи как в режиме пост обработки данных, так и в режиме реального времени.Параметрическая идентификация на базе корреляционного подхода. Основополагающеедопущение. Понятие корреляционных векторов. Численное получение оценок.Метод инструментальных переменных. Формирование оценок. Выбор корреляционныхвекторов на примере псевдо-линейной регрессии.28.29.30.31.32.Идентификация непрерывных систем. Общая постановка задача. Практические итеоретические сложности ее решения.Определение параметров передаточных функций с использованием подхода на баземоделирования с нелинейным методом наименьших квадратов.
Параметрическаяидентификация непрерывных систем во временной и частотной областях.Непараметрическая идентификация непрерывных систем. Непараметрическаяидентификация непрерывных систем как сглаживание эмпирической оценкипередаточной функции.Критерии качества идентификации. Понятие качественной идентификации как длянепараметрического, так и для параметрического случаев. Два необходимых условия длякачественной параметрической идентификации. Механизмы повышения качестваидентификации.Практические аспекты формирования информативного сигнала и условий проведенияэксперимента.
Типовые сигналы, которые могут считаться информативными.Механизмы обработки сырых данных для повышения качества идентификации. Типовые«ошибки» в сигналах, их влияние на качество идентификации и методы борьбы с ними.Смещение сигналов. Статистические выбросы. Фрагментация данных. Использование«обеляющих» фильтров.Список литературы по теории идентификации1.2.3.4.5.6.7.8.Keesman K.J. System Identification for Control. Springer. 2011.Ljung L. System identification – Theory for the User. 2nd Edition.
Birkhäuser Boston. 1998.Ljung L., Soderstrom S. Theory and practice of recursive identification. MIT Press. 1983.Soderstrom T., Stoica P. System Identification. 2001.Льюнг Л. Идентификация систем: пер. с англ. М.: Наука. 1991. 491 с.[Ljung L. System Identification – Theory for the User. Prentice-Hall, 1999. 238 p.]Nelles O. Nonlinear System Identification. From classical approaches to neural networks andfuzzy models.
Springer. 2001.Цыпкин Я.З. Информационная теория идентификации. И.: Наука. 1995. 336 с.Эйкхофф П. Основы идентификации систем управления. Оценивание параметров исостояния. пер. с англ. И.: Мир. 1975. 681 с.[Eykhoff. P. System identification. Parameter and state estimation. Wiley. 1974]Конспекты лекций по теории идентификации1.2.Pelckmans. Lecture notes for course on System Identification.Van den Hof P. M.J., Bombois X. System identification for Control.
Lecture notes. 2004Список литературы по теории управления1.2.3.4.5.Востриков А.С., Французова Г.А. Теория автоматического регулирования. Учебноепособие. И.: НГТУ. 2003. 364 с.Деменков Н.П., Микрин Е.А. Управление в технических системах. И.: МГТУ имениН.Э. Баумана. 2017. 456 с.Дорф. Р., Бишоп Р. Современные системы управления. 8-е издание. Пер. с английского.М.: Лаборатория Базовых Знаний.
2002. 832 с.[Dorf R.C., Bishop R.H. Modern Control Systems. 8th Edition. Addison-Wesley. 2001].Филлипс Ч.Л., Харбор Р.Д. Системы управления обратной связью. 4-е издание. Пер. санглийского. И.: Лаборатория Базовых Знаний. 2001. 616 с.[Phillips C.L., Harbor R.D. Feedback Control Systems. 4th Edition. Prentice Hall. 2000].Phillips C.L., Nagle H.T. Digital control system analysis and design.
3th Edition. Prentice HallPress. 1995.Список литературы по цифровой обработке сигналов1.2.3.Оппенгейм А.В., Шафер Р.В. Цифровая обработка сигналов. Пер. с английского. И.:Техносфера. 2006. 858 с.[Oppenheim A.V., Shafer R.W. Digital Signal Processing. Prentice Hall. 2006].Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. Пер. санглийского. И.: Мир. 1978.
848 с.[Rabiner L.R., Gold B. Theory and application of digital signal processing. PrenticeHall.1975].Shenoi B.A. Introduction to digital signal processing and filter design. Willey. 2006.Список литературы по теории оценивания и стохастике1.2.3.4.5.6.Barkat M.
Signal detection and estimation. 2nd edition. Artech House. 2005Kay S.M. Fundamentals of Statistical Signal Processing: Estimation Theory. Prentice-Hall.1998.Kailath T., Sayed A.H., Hassabi B. Linear estimation. Prentice Hall. 2001.Kumar P.R., Varaiya P. Stochastic systems. Estimation, identification and adaptive control.Prentice-Hall. 1986.Leon-Garcia A.
Probability, statistics, and random processes for electrical engineering.Pearson Education. 3rd Edition. 2017.Гмурман В.Е. Теория вероятностей и математическая статистика. Учебное пособие длявузов. 9-е издание. И.: Высшая школа. 2003. 479 с.Список литературы по фильтрам Калмана1.2.3.4.5.6.7.8.9.10.Ananthasayanam, M. R., M. Shyam Mohan, Naren Naik, and R. M. O. Gemson. A heuristicreference recursive recipe for adaptively tuning the Kalman filter statistics part-1: formulationand simulation studies. Sādhanā 41, no. 12 (2016): 1473-1490.Grewal, M.S., Andrews A.P. Kalman filtering: theory and practice using MATLAB.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
