系统辨识综述

系统辨识课程综述

作者姓名：王瑶

专业名称：控制工程

班级：研硕15-8班

系统辨识课程综述

摘要

系统辨识是研究建立系统数学模型的理论与方法。虽然数学建模有很长的研究历史，但是形成系统辨识学科的历史才几十年在这短斩的几十年里，系统辨识得到了充足的发展，一些新的辨识方法相继问世，其理论与应用成果覆盖了自然科学和社会科学的各个领域。而人工神经网络的系统辨识方法的应用也越来越多，遍及各个领域。本文简单介绍了系统辨识的基本原理，系统辨识的一些经典方法以及现代的系统辨识方法，其中着重介绍了基于神经网络的系统辨识方法：首先对神经网络系统便是方法与经典辨识法进行对比，显示出其优越性，然后再通过对改进后的算法具体加以说明，最后展望了神经网络系统辨识法的发展方向。

关键字：系统辨识；神经网络；辨识方法

0引言

辨识、状态估计和控制理论是现代控制理论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持，控制理论的应用又几乎不能没有辨识和状态估计技术。随着控制过程复杂性的提高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。然而在大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，因此利用控制理论去解决实际问题时，首先需要建立被控对象的数学模型。所以说系统辨识是自动化控制的一门基础学科。

图系统辨识、控制理论与状态估计三者之间的关系

随着社会的进步 ,越来越多的实际系统变成了具有不确定性的复杂系统 ,经典的系统辨识方法在这些系统中应用 ,体现出以下的不足 :

(1) 在某些动态系统中 ,系统的输入常常无法保证 ,但是最小二乘法的系统辨识法一般要求输入信号已知，且变化较丰富。

(2) 在线性系统中，传统的系统辨识方法比在非线性系统辨识效果要好。

(3) 不能同时确定系统的结构与参数和往往得不到全局最优解，是传统辨识方法普遍存在的两个缺点。

1系统辨识理论综述

系统辨识的基本原理

根据的系统辨识的定义:系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。系统辨识有三大要素:

(1)数据。能观测到的被辨识系统的输入或输出数据，他们是辨识的基础。

(2)模型类。寻找的模型范围，即所考虑的模型的结构。

(3)等价准则。等价准则——辨识的优化目标，用来衡量模型接近实际系统的标准。通常表示为一个误差的泛函，记为:

由于观测到的数据一般含有噪声，因此，辨识建模是一种实验统计方法，是系统的输入输出特性，在所确定的准则下的一种近似描述。辨识的目的，是根据系统的所提供的测量信息，在某种准则意义下，估计出模型结构和未知参数。

如图为单输入单输出系统辨识的原理图：

图系统辨识原理图

经典的系统辨识方法

经典的系统辨识方法的发展已经比较成熟和完善，包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等。

1.阶跃响应法系统辨识

在被辨识对象上施加一个阶跃信号，然后测定出对象的响应随时间变化的曲线，再根据该响应曲线，通过图解法方法来求解被辨识对象的传递函数。通过操作器的操作使系统的工作在所需测试的负荷下，稳定运行一段时间后，快速改变系统的输入量，并用数据采集系统同时记录下系统的输入、输出变化曲线，经过一段时间后，系统进入新的稳态，得到的记录曲线就是系统的阶跃响应。

2.频率响应法系统辨识

系统的频率响应G(jw)的解析式一般很难找到，对于一个稳定的工程来说，通常根据实验数据可推算出它的频率响应曲线。工程上常采用的最简单的方法是直线曲线记录法：在对象的输入端施加一个正弦波激励信号，然后用记录设备同时记录对象的输入输出，每次用以不同频率的正弦波测试，重复多次。随后对这些数据进行处理，将每个频率下的输出输入的振幅计算出来，并求出比值，这就是频率特性上在该频率下相位差。最后，将其幅值及频率按所需的坐标绘制成图，即为该对象的频率特性。

3.相关分析法系统辨识

采用相关分析法获得的被辨识系统的脉冲响应函数是在线辨识非参数模型的一种有效方法，其主要特点是:辨识过程可在被辨识系统正常运行状态下进行，且系统存在噪声干扰时，只要输入激励信号与干扰噪声是统计独立的，辨识过程就可不受干扰噪声的影响。另外，相关辨识方法不需要被辨识系统的先验知识，因此，利用相关分析法辨识过程的脉冲响应可以收到比较满意的效果。

4.最小二乘法系统辨识

最小二乘理论是高斯在1975年预测行星和彗星运动的轨道时提出的。其中

最小二乘法（LS）是一种经典的和最基本的，也是应用最广泛的方法。但是，最小二乘估计是非一致的，是有偏差的，所以为了克服它的缺陷，而形成了一些以最小二乘法为基础的系统辨识方法：广义最小二乘法（GLS）、辅助变量法（IV）、增广最小二乘法（ELS）和广义最小二乘法（GLS），以及将一般的最小二乘法与其他方法相结合的方法，有最小二乘两步法（COR-LS）和随机逼近算法等。

随着人类社会的发展进步，越来越多的实际系统很多都是具有不确定性的复杂系统。而对于这类系统，经典的辨识建模方法难以得到令人满意的结果，即就是说，经典的系统辨识方法还存在着一定的不足：

(1)利用最小二乘法的系统辨识发一般要求输入信号一直，并且必须具有较丰富的变化，然而，这一点在某些动态系统中，系统的输入常常无法保证；

(2)极大似然法计算耗费大，可能得到的是损失函数的局部极小值；

(3)经典的辨识方法对于某些复杂系统在一些情况下无能为力。

2.神经网络系统辨识法

神经网络技术是20世纪末迅速发展起来的一门高技术。由于神经网络具有良好的非线性映射能力、自学习适应能力和并行信息处理能力，为解决未知不确定非线性系统的辨识问题提供了一条新的思路。目前，国内外有许多利用神经网络来模拟设备性能、预测负荷的成功例子。1993年，美国的Mistry和Nair成功开发了一个用来决定预期平均满意率(PMV)和温湿度参数的神经网络模型。1994年，Curtiss利用神经网络模型成功地模拟了一台往复压缩式的冷水机组和其它暖通空调设备的性能。随后，Darred和Curtiss利用神经网络模型成功地预测了冷水机组的冷负荷和耗电量。在国内，也有利用神经网络对暖通空调优化控制、对空调器进行仿真研究的成功例子。

神经网络之所以能够在国内外得到广泛的应用是因为：(1)神经网络具有模拟高度非线性系统的优点；(2)神经网络具有较强的学习能力、容错能力和联想能力；(3)神经网络具有较强的自适应能力。

神经网络

人工神经网络迅速发展于20世纪末，并广泛地应用于各个领域，尤其是在模式识别、信号处理、专家系统、优化组合、机器人控制等方面。随着神经网络理论本身以及相关理论和相关技术的不断发展 ,神经网络的应用定将更加深入。神经网络 ,包括前向网络和递归动态网络 , 将确定某一非线性映射的问题转化为求解优化问题 ,有一种改进的系统辨识方法就是通过调整网络的权值矩阵来实现这一优化过程。

辨识方法

辨识方法的类别

辨识方法有很多类别，按其计算方式可分为一次完成算法、递推估计方法和迭代估计方法；按其实时性可分为在线估计方法和离线估计方法；按其属性特征可分为最小二乘估计算法、最小均估计算法、梯度估计算法、随机逼近估计算法、辅助模型辨识方法、递阶辨识方法、极大似然辨识方法、贝叶斯便是方法等。神经网络辨识结构

基于神经网络的系统辨识，又称为神经网络建模，就是选择适当的神经网络作为被辨识系统P的模型,也就是用神经网络来逼近实际系统或其逆。所选网络结构确定之后，在给定的被辨识系统P的输入输出观测数据情况下，网络通过学习训练，不断地调整连接权系数，使得准则函数J最小。

对被辨识系统的辨识可进行离线、也可做在线辨识。在线辨识是在系统实际运行中完成的，辨识过程要求具有实时性。离线辨识能使网络在系统工作前，预先完成学习(或称训练)过程，但因输入输出训练集很难覆盖系统所有可能的工作范围，且难以适应系统在工作过程中的参数变化。所以，为了克服其不足，先进行离线训练，得到网络的权系值，再进行在线学习，将得到的权值作为在线学习的初始权，以便加快后者的学习过程。由于神经网络所具有的学习能力，在被辨识系统特性变化的情况下，神经网络能通过不断的调整权值和阈值，自适应地跟踪被辨识系统的变化。神经网络系统辨识一般有两种辨识结构，如图

(a)并联型 (b)串-并联型

图两种辨识结构

神经网络辨识原理

选择一种适合的神经网络模型来逼近实际系统是神经网络用于系统辨识的实质。其辨识有模型、数据和误差准则三大要素。系统辨识实际上是一个最优化问题，由辨识的目的与辨识算法的复杂性等因素决定其优化准则。通过建立系统的依赖于参数的模型 ,把辨识问题转化为对模型参数的估计问题，是传统的辨识算法。这类算法较成功的应用于线性系统或本质线性系统。神经网络用于系统辩识的一个优点是它不需要预先建立实际系统的辩识格式，它对系统的辩识过程就是直接学习系统的输入输出数据的过程。一般的，基于输出误差的神经网络辩识原理如图

图神经网络辨识原理

人工神经网络的特点

基于神经网络的辨识与传统的辨识方法相比较具有以下几个特点：

（1）可以省去系统机构建模这一步 ,不需要建立实际系统的辨识格式

（2）辨识的收敛速度仅依赖于与神经网络本身及其所采用的学习算法 ,所

以可以对本质非线性系统进行辨识

（3）以通过调节神经网络连接权值达到让网络输出逼近系统输出的目的 ; 作为实际系统的辨识模型 ,神经网络还可用于在线控制。

（4）神经网络也可用于在线控制。人工神经网络在非线性系统辨识中的应用具有很重要的研究价值以及广泛的应用前景。

神经网络系统辨识算法

BP 网络是一种能朝着满足给定的输入、输出关系方向自组织的神经网络，称为误差反向传播神经网络，其典型的结构图如图所示。

图 BP网络结构BP 网络结构图包括输入层、隐含层、输出层这三部分 ,各部分之间通过各层节点之间的连接权依次前向连接。神经网络模型在大部分人工神经网络的实际应用中多采用BP 网络和它的变化形式 ,这是前馈型网络的核心部分 ,同时也体现了人工神经网络最精华的部分。函数逼近、模式识别、分类以及数据压缩是 BP 网络的应用主要种类。函数逼近就是指用输入矢量和相应的输出矢量训练一个网络逼近一个函数,以此来实现从输入到输出的任意的非线性映射。

3 总结

神经网络为系统的辨识提供了一个非常有效的工具，它无需系统的内部机理，仅需要系统的输入输出数据，即可模拟出表征系统输入输出特性的NN模型，优于传统的辨识方法。因此基于神经网络的系统辨识有着广泛的工程背景和重要的理论意义与学术价值。本文在系统研究了神经网络在系统辨识方面的广泛应用以及仍然存在的问题之后，针对几类比较复杂的系统提出了自己的神经网络模型构建方法。

参考文献

[1] 徐小平, 王峰, 胡钢. 系统辨识研究的现状[ J] . 自动化技术, 2007

[2] 丛爽，高雪鹏.几种递归神经网络及其在系统辨识中的应用.系统工程与电子技术.2002,(2).194-197

[3] K. Hornik. Some new results on neural-network approximation. Neural Networks. 2001, vol(6). 1061一1072

系统辨识考试汇总

基于人工神经网络的二阶系统辨识 摘要：BP神经网络是误差反向传播神经网络的简称，提供了一个处理非线 v k的二阶系统，提出了改进的BP神经网络性问题的模型。本文针对带有噪声() 对二阶系统的辨识方法，以达到对系统的精确辨识；通过仿真实验数据可得，神经网络的输出与被辨识系统输出之间的误差很小（当k>=8时，error<0.1%）；首先介绍了人工神经网络的系统辨识方面的发展与研究现状，然后介绍常规BP算法和改进的BP算法，最后通过一个具体的二阶系统的实例充分证明了改进BP 神经网络具有的良好辨识效果，实用性强。 关键字：BP神经网络；系统辨识；二阶非线性系统 Second-order system identification based on artificial neural networks WeiLu (College of Electrical and Control Engineering, Xi’an University of Science and Technology，Xi’an 710054,China) Abstract：BP neural network is the abbreviation of erroneous reverse transmission neural network, which provides a model of dealing with nonlinear problems.In this paper, the second-order system with noise, and puts forward the improved BP neural network to second order system modeling method. In order to achieve an accurate identification of the system.Through the simulation experiment the error between the output of neural network and the output of identification system is very small(The error<0.1% when k>=8). First, introduced the artificial neural network system identification aspects of development and research,Then, introduced the conventional BP algorithm and improved BP algorithm,Finally, Through an example of a specific second-order system fully proved that the improved BP neural network has good recognition results and practical. Key words：BP neural network；System Identification；Second-order nonlinear system 一绪论 在自然科学和社会科学的各个领域中，越来越多需要辨识系统模型的问题 已广泛引起人们的重视，很多学者在研究有关线性和非线性的辨识问题。

神经网络在系统辨识中的应用

神经网络在系统辨识中的应用 摘要应用于自动控制系统的神经网络算法很多，特点不一，对于非线性系统辨识的研究有一定影响。本文就BP网络算法进行了着重介绍，并点明了其收敛较慢等缺点，进而给出了改进算法，说明了建立在BP算法基础上的其他算法用于非线性系统辨识的可行性与有效性。 关键词神经网络BP算法；辨识；非线性系统 前言 神经网络是一门新兴的多学科研究领域，它是在对人脑的探索中形成的。神经网络在系统建模、辨识与控制中的应用，大致以1985年Rumelhart的突破性研究为界。在极短的时间内，神经网络就以其独特的非传统表达方式和固有的学习能力，引起了控制界的普遍重视，并取得了一系列重要结果。本文以神经网络在系统辨识中的应用作一综述，而后着重介绍BP网络算法，并给出了若干改进的BP算法。通过比较，说明改进算法具有诸多优点及用于非线性系统辨识[1]的可行性与有效性。 1 神经网絡用于系统辨识的原理及现状 神经网络在自动控制系统中的应用已有多年。目前，利用神经网络建立动态系统的输入/输出模型的理论及技术，在许多具体领域的应用得到成功，如化工过程、水轮机、机器入手臂、涡轮柴油发动机等。运用神经网络的建模适用于相当于非线性特性的复杂系统[2]。 目前系统辨识中用得最多的是多层前馈神经网络[1]。我们知道，自动控制系统中，一个单隐层或双隐层的具有任意数目神经元的神经网络，可以产生逼近任意函数的输入/输出映射。但网络的输入节点数目及种类（延迟输入和输出）、隐层节点的个数以及训练所用的算法对辨识精度和收敛时间均有影响。一般根据系统阶数取延迟输入信号，根据经验确定隐层节点数，然后对若干个神经网络进行比较，确定网络中神经元的合理数目。现在用得较多的多层前馈神经网络的学习算法是反向传播算法（Back Propagation），即BP算法。但BP算法收敛速度较慢，后面将会进一步讨论。 1.1 神经网络的结构 感知器是最简单的前馈网络，它主要用于模式分类。也可用在基于模式分类的学习控制和多模态控制中。现以多层前馈神经网络为代表，来说明神经网络的结构。多层前馈神经网络由输入、输出层以及一个或多个隐层组成。每层有若干个计算单元称之神经元。这些神经元在层状结构的网络中按图1所示方式相互连接。信息按树状路径从下至上逐层传送。一旦相邻层间神经元的连接权以及隐层中神经元的阈值被确定，整个网络的特性也就确定了。如图1所示，第1层为输

系统辨识复习资料

1请叙述系统辨识的基本原理（方框图），步骤以及基本方法 定义：系统辨识就是从对系统进行观察和测量所获得的信息重提取系统数学模型的一种理论和方法。 辨识定义：辨识有三个要素——数据、模型类和准则。辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型 辨识的三大要素：输入输出数据、模型类、等价准则 基本原理： 步骤：对一种给定的辨识方法，从实验设计到获得最终模型，一般要经历如下一些步骤：根据辨识的目的，利用先验知识，初步确定模型结构；采集数据；然后进行模型参数和结构辨识；最后经过验证获得最终模型。 基本方法：根据数学模型的形式：非参数辨识——经典辨识，脉冲响应、阶跃响应、频率响应、相关分析、谱分析法。参数辨识——现代辨识方法（最小二乘法等） 2随机语言的描述 白噪声是最简单的随机过程，均值为零，谱密度为非零常数的平稳随机过程。 白噪声过程（一系列不相关的随机变量组成的理想化随机过程） 相关函数： 谱密度： 白噪声序列，白噪声序列是白噪声过程的离散形式。如果序列 满足： 相关函数： 则称为白噪声序列。 谱密度： M 序列是最长线性移位寄存器序列，是伪随机二位式序列的一种形式。 M 序列的循环周期 M 序列的可加性：所有M 序列都具有移位可加性 辨识输入信号要求具有白噪声的统计特性 M 序列具有近似的白噪声性质，即 M 序列“净扰动”小，幅度、周期、易控制，实现简单。 3两种噪声模型的形式是什么 第一种含噪声的被辨识系统数学模型0011()()()()n n i i i i y k a y k i b u k i v k ===-+-+∑∑，式中,噪声序列v(k)通常假定为均值为零独立同分布的平稳随机序列,且与输入的序列u(k)彼此统计独立. 上式写成：0 ()()()T y k k v k ψθ=+。其中，()()()()()()()=1212T k y k y k y k n u k u k u k n ψ------????L L ，，，，，，， ) ()(2τδστ=W R +∞ <<∞-=ωσω2)(W S )}({k W Λ,2,1,0,)(2±±==l l R l W δσ2)()(σωω== ∑ ∞-∞=-l l j W W e l R S ???≠=≈+=?0 , 00,Const )()(1)(0ττττT M dt t M t M T R bit )12(-=P P N

系统辨识与自适应控制论文

XXXXXXXXXX 系统辨识与自适应控制课程论文 题目：自适应控制综述与应用 课程名称：系统辨识与自适应控制 院系：自动化学院 专业：自动化 班级：自动化102 姓名： XXXXXX 学号: XXXXXXXXX 课程论文成绩： 任课教师： XXXXX 2013年 11 月 15 日

自适应控制综述与应用 一．前言 对于系统辨识与自适应控制这门课，前部分主要讲了系统辨识的经典方法（阶跃响应法、频率响应法、相关分析法）与现代方法（最小二乘法、随机逼近法、极大似然法、预报误差法）。对于系统辨识，简单的说就是数学建模，建立黑箱系统的输入输出关系；而其主要分为结构辨识（n）与参数辨识（a、b）这两个任务。 由于在课上刘老师对系统辨识部分讲的比较详细，在此不再赘述，下面讨论自适应控制部分的相关内容。 对于自适应控制的概念，我觉得具备以下特点的控制系统，可以称为自适应控制系统： 1、在线进行系统结构和参数辨识或系统性能指标的度量，以便得到系统当前状态的改变情况。 2、按一定的规律确定当前的控制策略。 3、在线修改控制器的参数或可调系统的输入信号。 二．自适应控制综述 1.常规控制系统与自适应控制系统比较 （1）控制器结构不同 在传统的控制理论与控制工程中，常规控制系统的结构主要由控制器、控制对象以及反馈控制回路组成。 而自适应控制系统主要由控制器、控制对象、自适应器及反馈控制回路和自适应控制回路组成。 （2）适用的对象与条件不同 传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论采用频域方法，还是状态空间方法，对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确地描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。 然而,有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的,或者它们的数学模型的某些参数或结构是处于变化之中的.对于这类事先难以确定数学模型的系统,通过事先整定好控制器参数的常规控制往往难以对付。 面对上述系统特性未知或经常处于变化之中而无法完全事先确定的情况,如何设计一个满意的控制系统,使得能主动适应这些特性未知或变化的情况,这就 是自适应控制所要研究解决的问题.自适应控制的基本思想是:在控制系统的运行过程中,系统本身不断地测量被控系统的状态、性能和参数,从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较,进而作出决策,来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。按这种思想建立起来的控制系统就称为自适应控制系统。

系统辨识方法

系统辨识方学习总结 一．系统辨识的定义 关于系统辨识的定义，Zadeh是这样提出的：“系统辨识就是在输入和输出数据观 测的基础上，在指定的一组模型类中确定一个与所测系统等价的模型”。L.Ljung也给 “辨识即是按规定准则在一类模型中选择一个与数据拟合得最好的模型。出了一个定义： 二．系统描述的数学模型 按照系统分析的定义，数学模型可以分为时间域和频率域两种。经典控制理论中微 分方程和现代控制方法中的状态空间方程都是属于时域的范畴，离散模型中的差分方程 和离散状态空间方程也如此。一般在经典控制论中采用频域传递函数建模，而在现代控 制论中则采用时域状态空间方程建模。 三．系统辨识的步骤与内容 (1)先验知识与明确辨识目的 这一步为执行辨识任务提供尽可能多的信息。首先从各个方面尽量的了解待辨识的 系统，例如系统飞工作过程，运行条件，噪声的强弱及其性质，支配系统行为的机理等。 对辨识目的的了解，常能提供模型类型、模型精度和辨识方法的约束。 (2)试验设计 试验设计包括扰动信号的选择，采样方法和间隔的决定，采样区段（采样数据长度 的设计）以及辨识方式（离线、在线及开环、闭环等的考虑）等。主要涉及以下两个问 题，扰动信号的选择和采样方法和采样间隔 (3)模型结构的确定 模型类型和结构的选定是决定建立数学模型质量的关键性的一步，与建模的目的， 对所辨识系统的眼前知识的掌握程度密切相关。为了讨论模型和类型和结构的选择，引 入模型集合的概念，利用它来代替被识系统的所有可能的模型称为模型群。所谓模型结 构的选定，就是在指定的一类模型中，选择出具有一定结构参数的模型M。在单输入单 输出系统的情况下，系统模型结构就只是模型的阶次。当具有一定阶次的模型的所有参 数都确定时，就得到特定的系统模型M，这就是所需要的数学模型。 (4)模型参数的估计 参数模型的类型和结构选定以后，下一步是对模型中的未知参数进行估计，这个阶 段就称为模型参数估计。

系统辨识研究的现状_徐小平

系统辨识研究的现状 徐小平1,王　峰2,胡　钢1 (1.西安理工大学自动化与信息工程学院　陕西西安　710048;2.西安交通大学理学院　陕西西安　710049) 摘　要:综述了系统辨识问题的研究进展,介绍了经典的系统辨识方法及其缺点,引出了将集员、多层递阶、神经网络、遗传算法、模糊逻辑、小波网络等知识应用于系统辨识得到的一些现代系统辨识方法,最后总结了系统辨识今后的发展方向。 关键词:系统辨识;集员;多层递阶;神经网络;遗传算法;模糊逻辑;小波网络 中图分类号:TP27 文献标识码:B 文章编号:1004-373X (2007)15-112-05 A Survey on System Identif ication XU Xiaoping 1,WAN G Feng 2,HU Gang 1 (1.School of Automation and Information Engineering ,Xi ′an University of Technology ,Xi ′an ,710048,China ; 2.School of Science ,Xi ′an Jiaotong University ,Xi ′an ,710049,China ) Abstract :In this paper the advance in the study of system identification is summarized.First ,the traditional system identi 2fication methods and their disadvantages are introduced.Then ,some new methods based on set membership ,multi -level re 2cursive ,neural network ,genetic algorithms ,f uzzy logic and wavelet network are presented.Finally ,f urther research directions of system identification are pointed out. K eywords :system identification ;set membership ;multi -level recursive ;neural network ;genetic algorithms ;f uzzy logic ;wavelet network 收稿日期:2007-04-16 基金项目:教育部博士学科基金(20060700007); 陕西省自然科学基金(2005F15)资助项目 1　引　言 辨识、状态估计和控制理论是现代控制理论三个互相渗透的领域。辨识和状态估计离不开控制理论的支持,控制理论的应用又几乎不能没有辨识和状态估计技术。随着控制过程复杂性的提高,控制理论的应用日益广泛,但其实际应用不能脱离被控对象的数学模型。然而在大多数情况下,被控对象的数学模型是不知道的,或者在正常运行期间模型的参数可能发生变化,因此利用控制理论去解决实际问题时,首先需要建立被控对象的数学模型。系统辨识正是适应这一需要而形成的,他是现代控制理论中一个很活跃的分支。社会科学和自然科学领域已经投入相当多的人力和物力去观察、研究有关的系统辨识问题。从1967年起,国际自动控制联合会(IFAC )每3年召开一次国际性的系统辨识与参数估计的讨论会。历届国际自动控制联合会的系统辨识会议均吸引了众多的有关学科的科学家和工程师们的积极参加。 系统辨识是建模的一种方法,不同的学科领域,对应 着不同的数学模型。从某种意义上来说,不同学科的发展过程就是建立他的数学模型的过程。1962年,L.A.Zadeh 给出辨识这样的定义[1]:“辨识就是在输入和输出数据的基础上,从一组给定的模型类中,确定一个与所测系统等价的模型。”当然按照Zadeh 的定义,寻找一个与实际过程完全等价的模型无疑是非常困难的。而从实用性观点出发,对模型的要求并非如此苛刻,为此,对辨识又有一些实用性的定义。比如,1974年,P.E.ykhoff 给出辨识的定义[2]为:“辨识问题可以归结为用一个模型来表示客观系统(或将要构造的系统)本质特征的一种演算,并用这个模型把对客观系统的理解表示成有用的形式。”1978年,L. Ljung 给辨识下的定义[3] 更加实用:“辨识有三个要素—数 据,模型类和准则。辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。”总而言之,辨识的实质就是从一组模型类中选择一个模型,按照某种准则,使之能最好地拟合所关心的实际过程的静态或动态特性。 本文首先介绍了经典的系统辨识方法,并指出其存在的缺陷,接着对近年来系统辨识的现代方法作以简单的综述,最后指出了系统辨识未来的发展方向。2　经典的系统辨识 经典的系统辨识方法[4-6]的发展已经比较成熟和完 2 11

系统辨识经典辨识方法

经典辨识方法报告 1. 面积法 辨识原理 分子多项式为1的系统 1 1 )(11 1++++= --s a s a s a s G n n n n Λ……………………………………………（） 由于系统的传递函数与微分方程存在着一一对应的关系，因此，可以通过求取微分方程的系数来辨识系统的传递函数。在求得系统的放大倍数K 后，要先得到无因次阶跃响应y(t)（设τ=0）。大多数自衡的工业过程对象的y(t)可以用下式描述来近似 1)() ()()(a 111=++++--t y dt t dy a dt t y d a dt t y d n n n n K ……………………………（） 面积法原则上可以求出n 为任意阶的各系数。以n=3为例，注意到 1|)(,0|)(d |)(d |)(d 23====∞→∞→∞→∞→t t t t t y dt t y dt t y dt t y …………………………（） 将式（）的y(t)项移至右边，在[0，t]上积分，得 ?-=++t dt t y t y a dt t dy a dt t y d a 01223 )](1[)() ()(…………………………………（） 定义 ?-=t dt t y t F 01)](1[)(……………………………………………………………（） 则由式（）给出的条件可知，在t →∞ ?∞ -=01)](1[a dt t y ……………………………………………………………（） 将式a 1y(t)移到等式右边，定义 )()]()([)() (a 201123 t F dt t y a t F t y a dt t dy t =-=+?…………………………………（） 利用初始条件（）当t →∞时 )(a 22∞=F …………………………………………………………………… （） 同理有a 3=F 3(∞) 以此类推，若n ≥2，有a n =F n (∞) 分子、分母分别为m 阶和n 阶多项式的系统

系统辨识研究综述

系统辨识研究综述 摘要：本文综述了系统辨识的发展与研究内容，对现有的系统辨识方法进行了介绍并分析其不足，进一步引出了把神经网络、遗传算法、模糊逻辑、小波网络知识应用于系统辨识得到的一些新型辨识方法。并对基于T-S模型的模糊系统辨识进行了介绍。文章最后对系统辨识未来的发展方向进行了介绍 关键词：系统辨识；建模；神经网络；遗传算法；模糊逻辑；小波网络；T-S 模型 1.系统辨识的发展和基本概念 1.1系统辨识发展 现代控制论是控制工程新的理论基础。辨识、状态估计和控制理论是现代控制论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持；控制理论的应用又几乎不能没有辨识和状态估计。 而现代控制论的实际应用不能脱离被控对象的动态特性，且所用的数学模型需要选择一种使用方便的描述形式。但很多情况下建立被控对象的数学模型并非易事，尤其是实际的物理或工程对象，它们的机理复杂且含有各种噪声，使建立数学模型更加困难。系统辨识就是应此需要而形成的一门学科。 系统辨识和系统参数估计是六十年代开始迅速发展起来的。1960年，在莫斯科召开的国际自动控制联合会(IFCA)学术会议上，只有很少几篇文章涉及系统辨识和系统参数估计问题。然而，在此后，人们对这一学科给予了很大的注意，有关系统辨识的理论和应用的讨论日益增多。七十年代以来，随着计算机的开发和普及，系统辨识得到了迅速发展，成为了一门非常活跃的学科。 1.2系统辨识基本概念的概述 系统辨识是建模的一种方法。不同的学科领域,对应着不同的数学模型,从某种意义上讲,不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。 L. A. Zadeh于1962年给辨识提出了这样的定义：“辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。”当然按照Zadeh的定义，寻找一个与实际过程完全等价的模型无疑是非常困难的。根据实用性观点，对模型的要求并非如此苛刻。1974年，P. E. ykhoff给出辨识的定义“辨识问题可以归结为用一个模型来表示客观系统(或将要构造的系统) 本质为： 特征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。而1978

系统辨识课程综述

系统辨识课程综述 通过《系统辨识》课程的学习，了解了系统辨识问题的概述及研究进展；掌握了经典的辨识理论和辨识技术及其优缺点，如：脉冲响应法、最小二乘法（LS）和极大似然法等；同时对于那些为了弥补经典系统辨识方法的不足而产生的现代系统辨识方法的原理及其优缺点有了一定的认识，如：神经网络系统辨识、基于遗传算法的系统辨识、模糊逻辑系统辨识、小波网络系统辨识等；最后总结了系统辨识研究的发展方向。 一、系统辨识概论 自40年代Wiener创建控制论和50年代诞生工程控制论以来，控制理论和工程就一直围绕着建立模型和控制器设计这两个主题来发展。它们相互依赖、相互渗透并相互发展；随着控制过程的复杂性的提高以及控制目标的越来越高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。但是大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，此时建立模型需要细致、完整地分析系统的机理和所有对该系统的行为产生影响的各种因素，从而变得十分困难。系统辨识建模正是适应这一需要而产生的，它是现代控制理论中一个很活跃的分支。 系统辨识是建模的一种方法，不同的学科领域，对应着不同的数学模型。从某种意义上来说，不同学科的发展过程就是建立他的数学模型的过程。所谓系统辨识，通俗地说，就是研究怎样利用对未知系统的试验数据或在线运行数据（输入/输出数据），运用数学归纳、统

计回归的方法建立描述系统的数学模型的科学。Zadeh与Ljung明确提出了系统辨识的三个要素：输入输出数据，模型类和等价准则。总之，辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合我们所关心的实际过程的静态或动态特性。 通过辨识建立数学模型的目的是估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出的未来演变，以及设计控制器。对系统进行分析的主要问题是根据输入时间函数和系统的特性来确定输出信号；对系统进行控制的主要问题是根据系统的特性设计控制输入，使输出满足预先规定的要求。而系统辨识亦称为实验建模方法，它是“系统分析”和“控制系统设计”的逆问题。通常，预先给定一个模型类μ＝｛M｝（即给定一类已知结构的模型），一类输入信号u和等价准则J＝L(y，yM)(一般情况下，J是误差函数，是过程输出y和模型输出yM的一个泛函)；然后选择使误差函数J达到最小的模型，作为辨识所要求的结果。 二、经典的系统辨识 经典的系统辨识方法包括脉冲响应法、最小二乘法（LS）和极大似然法等。其中最小二乘法(LS)是应用最广泛的方法,但由于它是非一致的，是有偏差性，所以为了克服他的缺陷，形成了一些以最小二乘法为基础的系统辨识方法：广义最小二乘法(GLS)、辅助变量法(IV)、增广最小二乘法(ELS)、广义最小二乘法(GLS)，以及将一般的最小二乘法与其他方法相结合的方法，有：最小二乘两步法(COR—LS)

神经网络系统建模综述

神经网络系统建模综述 一、人工神经网络简介 1.1人工神经网络的发展历史 人工神经网络早期的研究工作应追溯至本世纪40年代。下面以时间顺序，以著名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。 1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。 1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。 50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。 在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。 80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。 1.2人工神经网络的工作原理 人工神经网络是由大量处理单元广泛互连而成的网络结构，是人脑的抽象、简化和模拟。人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。

系统辨识综述

系统辨识方法综述 摘要 在自然和社会科学的许多领域中，系统的设计、系统的定量分析、系统综合及系统控制，以及对未来行为的预测，都需要知道系统的动态特性。在研究一个控制系统过程中，建立系统的模型十分必要。因此，系统辨识在控制系统的研究中起到了至关重要的作用。本文论述了用于系统辨识的多种方法，重点论证了经典系统辨识方法中运用最广泛的的最小二乘法及其优缺点，引出了将遗传算法、模糊逻辑、多层递阶等知识应用于系统辨识得到的一些现代系统辨识方法，最后总结了系统辨识今后的发展方向。 关键字：系统辨识；最小二乘法；遗传算法；模糊逻辑；多层递阶 Abstract In many fields of natural and social science, the design of the system, the quantitative analysis of the system, the synthesis of the system and the control of the system, as well as the prediction of the future behavior, all need to know the dynamic characteristics of the system. It is very necessary to establish a system model in the process of studying a control system. Therefore, system identification plays an important role in the research of control system. This paper discusses several methods for system identification, the key argument is that the classical system identification methods using the least squares method and its advantages and disadvantages, and leads to the genetic algorithm, fuzzy logic, multi hierarchical knowledge application in system identification of some modern system identification method. Finally, the paper summarizes the system identification in the future direction of development. Keywords:System identification; least square method; genetic algorithm; fuzzy logic; multi hierarchy 第一章系统辨识概述 系统辨识是研究建立系统数学模型的理论和方法。系统辨识是建模的一种方法，不同的学科领域，对应着不同的数学模型。从某种意义上来说，不同学科的发展过程就是建立他的数学模型的过程。辨识问题可以归结为用一个模型来表示客观系统（或将要构造的系统）本质牲征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。当然也可以有另外的描述，辨识有三个要素：数据，模型类和准则。辨识就是按照一个准则在一组模型类中

非线性系统辨识综述

系统辨识综述 张培硕研4班 摘要：本文主要介绍了系统辨识中的非线性系统辨识方法，包括多层递阶辨识方法，以及把神经网络、模糊逻辑、遗传算法等知识应用于非线性系统辨识而得到的一些新型辨识方法，最后概括了非线性系统辨识未来的发展方向。 关键词：非线性系统辨识；多层递阶；神经网络 1 引言 系统辨识作为现代控制论和信号处理的重要内容，是近几十年发展起来的一门学科，它研究的基本问题是如何通过运行(或实验)数据来建立控制与处理对象(或实验对象)的数学模型。因为系统的动态特性被认为必然表现在它变化着的输入/输出数据之中，辨识就是利用数学方法从数据序列中提炼出系统的数学模型。 从本质上说，系统辨识是一种优化问题，当前常用辨识算法的基本方法是通过建立系统的参数模型，把辨识问题转化为参数估计问题。这类算法能较好地解决线性系统或本质线性系统的辨识问题，但若要应用于本质非线性系统则比较困难。可是，真实世界中的模型都不是严格线性的，它们或多或少都表现出非线性特性，因此越来越多的非线性现象和非线性模型己经引起了人们广泛的重视。 非线性系统广泛的存在于人们的生产生活中，随着人类社会的发展进步，越来越多的非线性现象和非线性系统已经引起研究者们的广泛关注，混沌现象的发现被誉为“ 二十世纪三大发现之一” 。目前关于非线性理论的研究正处于发展阶段。建立描述非线性现象和非线性系统的模型是研究非线性问题的基础。线性系统辨识理论已经趋于成熟，但一般的线性模型实际上是某些非线性被忽略或用线性关系代替后得到的对真实系统的近似数学描述。随着科学技术的迅猛发展，控制系统越来越复杂，对控制精度的要求越来越高，具有复杂非线性的系统不能用线性模型来近似，所以研究非线性系统辨识理论有着很重要的实际意义。 对于非线性系统参数模型的辨识问题，人们最早涉及的是某些特殊类型的非线性系统，如双线性系统模型、Hammerstain 模型、Wiener 模型、非线性时间序列模型、输出仿射模型等。针对每一类特殊模型，各国学者都作了大量的工作，提出了不少辨识算法。同时，也对这些算法的估计一致性问题进行了讨论。随着人们对非线性系统辨识问题研究的日益深入，更为一般的普适性非线性模型的辨识问题就显得日益重要。常用的非线性系统描述方法有微分(或差分)法、泛函级数法、NARMAX 模型法及分块系统法等。一些学者已经对非线性系统辨识方法进行了某方面的综述。例如，1965 年Arnold 和Stark 讨论了正交展开方法在非线性系统辨识中的应用，1968 年Aleksandrovskii 和Deich及1977 年Hung 和Stark综述了核辨识算法，1989 年Titterington 和Kitsos总结了非线性试验设计的最新发展，并列举了十五个在化工领域中常遇到的非线性模型。 本文对近年来新的非线性系统的辨识方法作以简单的综述。

系统辨识

系统辨识理论综述 郭金虎 【摘要】全面论述了系统辨识理论的提出背景以及理论成果，总结了系统辨识理论的基本原理、基本方法以及基本内容，并对其应用及发展做了全面的讨论。 【关键词】系统辨识；准则函数 1概述 系统辨识问题的提出是由于随着科学技术的发展，各门学科的研究方法进一步趋向定量化，人们在生产实践和科学实验中，对所研究的复杂对象通常要求通过观测和计算来定量的判明其内在规律，为此必须建立所研究对象的数学模型，从而进行分析、设计、预测、控制的决策。例如，在化工过程中，要求确定其化学动力学和有关参数，已决定工程的反应速度；在热工过程中，要求确定如热交换器这样的分布参数的系统及动态参数；在生物系统方面，通常希望获得其较精确的数学模型，一般描述在生物群体系统的动态参数；为了控制环境污染，希望得到大气污染扩散模型和水质模型；为进行人口预报，做出相应的决策，要求建立人口增长的动态模型；对产品需求量、新型工业的增长规律这类经济系统，已经建立并继续要求建立其定量的描述模型。其他如结构或机械的振动、地质分析、气象预报等等，都涉及系统辨识和系统参数估计，这类要求正在不断扩大。 2系统辨识的基本原理 2.1系统辨识的定义和基本要素 实验和观测是人类了解客观世界的最根本手段。在科学研究和工程实践中，利用通过实验和观测所得到的信息，或掌握所研究对象的特性，这种方式的含义即为“辨识”。关于系统辨识的定义，1962年，L.A.Zadeh 是这样提出的：“系统辨识就是在输入和输出数据观测的基础上，在指定的一组模型类中，确定一个与所测系统等价的模型”。1978年，L.Ljung 也给出了一个定义：“辨识既是按规定准则在一类模型中选择一个与数据拟合得最好的模型”。可用图2-1来说明辨识建模的思想。 0 G g G 等价准则系统原型 系统模型激励信号y g y e J u 图2-1 系统辨识的原理

系统辨识总结

一. 传递函数辨识的时域法: 1.()1 s Ke G s Ts τ-=+ , 在S 型曲线的速率变化最快处做一切线, 分别与时间轴t 及阶跃响应渐近线()y ∞ 相交于(0,)τ和0(,())t y ∞ (1) ()()11y y y K u u e ∞∞-===- (2) 0T t τ=- 或: 21 21121212ln(1)ln(1) ln(1)ln(1) ln(1)ln(1) t t t y t y T y y y y τ----= = ------ 2. 1212(), ()(1)(1) s Ke G s T T T s T s τ-=>++ ()(0) y y K u ∞-= τ可以根据阶跃响应曲线脱离起始的毫无反应的阶段到开始变化的时刻来确定. 1 2121221 *()1t t T T T T y t e e T T T T --=---- 取两个点的数据[][]0.4,*(0.4),0.8,*(0.8)y y 12212 121212()/2.16 /() 1.74/0.55 T T t t TT T T t t +≈+??+≈-? 二. 线性系统的开环传递函数辨识 设开环输入信号为:()sin()d m y t A t ω= 输出:[]cos ()sin()sin cos sin f f f A y t A t t t A ?ω?ωω???=+=?????? 在时间域上取: 0,,2,,t h h nh = [] (0),(), ,()T Y y y h y n h = sin(0)sin()sin()cos(0)cos()cos()T h nh h nh ωωωψωωω?? =?? ?? 12cos sin t t c A c A ??== 根据最小二乘原理 : 11221??arctan ??T T f c c Y A c c ψψψ?-?? ????=== ????????? 开环系统相频和幅频为 : 21?arctan 20lg ?e m c M c ??? == ? ??? ? 三. 1.根据脉冲响应()g t 求脉冲传递函数1 ()G z - 11 12111()(1)(2)()1n k n n n b z b z G z g z g z g k z a z a z --------++==++++++

系统辨识理论及应用(课后题答案第三章3.2、3.3)国防工业出版社

1、系统辨识——连续系统传递函数——脉冲传递函数function h=Continuous_system_transferFcn(N,G,dt) % N——系统阶数 % G——采样数据（个数大于等于2N+1） % G为一维行向量 % dt——采样间隔 if nargin<3 errordlg('not enough input varibles','error hint'); else g_NN=zeros(N,N); for i=1:N g_NN(i,:)=G(i+1:i+1+N-1); end g_N=-G(1:N)'; a=inv(g_NN)*g_N; %% x的求解 syms x for i=1:N X(i)=x^i; end f=X*a+1; x=double(solve(f)); %%极点的求解 p=log(x)/dt; c_NN=zeros(N,N); for i=1:N c_NN(i,:)=x.^(i-1); end c_N=G(1:N)'; %%增益求解 k=inv(c_NN)*c_N; p k z=zeros(1,N); p=p'; k=k'; Continuous_TransferFcn=0; for i=1:N Continuous_TransferFcn=Continuous_TransferFcn+zpk(z(i),p(i),k(i)); end Continuous_TransferFcn end end

例题 3.1(P32) >>G=[0 0.1924 0.2122 0.1762]; >> N=2; >> dt=1; >> Continuous_system_transferFcn(N,G,dt) p = -0.4934 -0.7085 k = 1.6280 -1.6280 Continuous_TransferFcn = 0.35024 s --------------------- (s+0.4934) (s+0.7085) Continuous-time zero/pole/gain model. 习题3.2(P34) >> G=[0 0.196 0.443 0.624 0.748 0.831]; >> N=3; >> dt=0.2; >> Continuous_system_transferFcn(N,G,dt) p = -0.0633 -1.7846 -11.1860 k = 1.1249 -1.3399 0.2150 Continuous_TransferFcn = -0.08507 s (s-253.1) ------------------------------- (s+0.06329) (s+1.785) (s+11.19) Continuous-time zero/pole/gain model.

系统辨识综述

系统辨识课程综述 作者姓名：王瑶 专业名称：控制工程 班级：研硕15-8班

系统辨识课程综述 摘要 系统辨识是研究建立系统数学模型的理论与方法。虽然数学建模有很长的研究历史，但是形成系统辨识学科的历史才几十年在这短斩的几十年里，系统辨识得到了充足的发展，一些新的辨识方法相继问世，其理论与应用成果覆盖了自然科学和社会科学的各个领域。而人工神经网络的系统辨识方法的应用也越来越多，遍及各个领域。本文简单介绍了系统辨识的基本原理，系统辨识的一些经典方法以及现代的系统辨识方法，其中着重介绍了基于神经网络的系统辨识方法：首先对神经网络系统便是方法与经典辨识法进行对比，显示出其优越性，然后再通过对改进后的算法具体加以说明，最后展望了神经网络系统辨识法的发展方向。 关键字：系统辨识；神经网络；辨识方法 0引言 辨识、状态估计和控制理论是现代控制理论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持，控制理论的应用又几乎不能没有辨识和状态估计技术。随着控制过程复杂性的提高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。然而在大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，因此利用控制理论去解决实际问题时，首先需要建立被控对象的数学模型。所以说系统辨识是自动化控制的一门基础学科。 图1.1系统辨识、控制理论与状态估计三者之间的关系 随着社会的进步 ,越来越多的实际系统变成了具有不确定性的复杂系统 ,经典的系统辨识方法在这些系统中应用 ,体现出以下的不足 : (1) 在某些动态系统中 ,系统的输入常常无法保证 ,但是最小二乘法的系统辨

系统辨识论文

系统辨识论文

一、离散化 离散化的实质就是求原连续传递函数D（s）的等效离散传递函数D(z)。 1、已知传递函数 2、已知状态方程模型。 可先把它转化为传递函数，在此我们只讨论第一种情况。 Matlab实现 1、G=tf(状态方程模型)，得到传递函数 2、C2d用于将连续系统转换为离散系统 3\、Gd=c2d(G,Ts,method) 4、Method包括zoh,foh,Tustin,prewarp,mached. 5、Ts为采样周期，越小越精确。 function tf2de(num,den,delay) % num为传递函数分子系数 % den为传递函数分母系数 % delay为延时系数,无延时环节为0 % 系统建立 if delay==0 sys=tf(num,den) else sys=tf(num,den,'inputdelay',delay) end % 系统离散化 dsys=c2d(sys,1,'z'); inputdelay=dsys.InputDelay; [dnum,dden]=tfdata(dsys,'v'); dnum1=zeros(1,inputdelay);

dnum=[dnum1 dnum]; Gz=filt(dnum,dden,1) 有延迟 >> delay=2; >> tf2de(num,den,delay) Transfer function: s + 2 exp(-2*s) * ----------------- s^2 + 1.2 s + 0.8 Transfer function: 1.164 z^-3 - 0.07338 z^-4 ----------------------------- 1 - 0.8649 z^-1 + 0.301 2 z^-2 Sampling time: 1 无延迟 >> num=[1 2]; >> den=[1 1.2 0.8]; >> delay=0; >> tf2de(num,den,delay) Transfer function: s + 2 ----------------- s^2 + 1.2 s + 0.8 Transfer function: 1.164 z^-1 - 0.07338 z^-2 ----------------------------- 1 - 0.8649 z^-1 + 0.301 2 z^-2 Sampling time: 1