Идентификация линейных динамических систем в задачах стохастического оптимального квадратичного управления

• Автор: Маркова, Татьяна Николаевна
• Шифр специальности: 05.13.16
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Тула
• Количество страниц: 142 с.

Оценивание неизвестных параметров модели

3. Приложения

достигнута требуемая точность решения при минимальном числе экспериментов, то есп, по многих случаях могут быть снижены затраты времени и средств и повышена эффективность эксперимента. При активном эксперименте можно оценить дисперсию ошибки, строго проперить адекватность модели и принять необходимые меры для выполнения условий, необходимых для применения метода регрессионного анализа , используемого для обработки результатов эксперимента. Для решения задачи идентификации динамической модели, удовлетворяющей экстремуму выбранного критерия оптимальности, должен быть спланирован и реализован активный эксперимент, который сводится к возбуждению системы из некоторого начального состояния путем подачи на ее вход оптимального тестирующего сигнала и к обработке получаемой в результате информации. При идентификации динамических систем, описываемых линейнопараметризованными рстрсссионными моделями, оптимальный тестирующий сигнал синтезируется априорно.


Для решения задачи идентификации динамической модели, удовлетворяющей экстремуму выбранного критерия оптимальности, должен быть спланирован и реализован активный эксперимент, который сводится к возбуждению системы из некоторого начального состояния путем подачи на ее вход оптимального тестирующего сигнала и к обработке получаемой в результате информации. При идентификации динамических систем, описываемых линейнопараметризованными рстрсссионными моделями, оптимальный тестирующий сигнал синтезируется априорно. В случае использования нелинейнопараметризованных регрессионных моделей осуществляется последовательная оптимальная идентификация, заключающаяся в чередовании этапов реализации участков оптимального тестирующего сигнала и обработки реализаций входвыхол, полученных с момента возбуждения системы до момешд начала подачи очередного сишсзированного участка входного сигнаш. Полученные в результате проведения эксперимента оценки являются приближенными. Ошибки в этих оценках могут быть вызваны рядом факторов наличием шумов, неточностью принятой модели, квантованием наблюдаемых сигналов, конечностью времени наблюдения и т. Традиционные, наиболее часто применяемые критерии оптимальности регрессионных моделей можно разделить на две группы 1. Ортогональность. Ооптимальность, Аоптимальность. И группа критерии, характеризующие предсказательные свойства получаемой модели Ротатабельность, Соптималыюсть, оптимальность. Ортогональность. Использование критерия ортогональности упрощает вычисления и обеспечивает некоррелированность оценок неизвестных параметров модели.