3.1传递函数的时域辨识

自动控制原理传递函数知识点总结自动控制原理是研究自动控制系统中信号传递、处理、转换等基本理论和方法的学科。

传递函数是描述线性时不变系统的数学模型，它对于分析和设计控制系统起着重要的作用。

下面将对自动控制原理中关于传递函数的知识点进行总结。

一、传递函数的定义传递函数是用来描述线性时不变系统输入-输出关系的数学函数。

对于连续时间系统，传递函数可以表示为：G(s) = Y(s) / X(s)其中，G(s)为传递函数，Y(s)为系统的输出信号，X(s)为系统的输入信号，s为复变量。

对于离散时间系统，传递函数可以表示为：G(z) = Y(z) / X(z)其中，G(z)为传递函数，Y(z)为系统的输出信号，X(z)为系统的输入信号，z为复变量。

二、传递函数的性质1. 时域特性：传递函数可以通过拉氏变换将时域的微分、积分方程转换为频域的代数方程，从而简化系统的分析和设计。

2. 稳定性：传递函数的稳定性与其极点位置有关。

当所有极点均位于左半平面时，传递函数是稳定的；当存在极点位于右半平面时，传递函数是不稳定的。

3. 零点和极点：传递函数的零点是使得传递函数为零的点，极点是使得传递函数无穷大的点。

零点和极点的位置对系统的动态性能和稳定性有重要影响。

4. 频率响应：传递函数的频率响应是指系统对不同频率输入信号的响应特性。

频率响应可以通过传递函数的频域分析获得，包括幅频特性和相频特性。

三、传递函数的常见形式1. 一阶系统传递函数：一阶系统的传递函数形式为：G(s) = K / (s + a)其中，K为传递函数的增益，a为系统的时间常数。

2. 二阶系统传递函数：二阶系统的传递函数形式为：G(s) = K / (s^2 + 2ζω_ns + ω_n^2)其中，K为传递函数的增益，ζ为阻尼比，ω_n为自然频率。

3. 传递函数的因果性：因果系统的传递函数在复平面上的极点全部位于左半平面，即Re(s) < 0。

非因果系统的传递函数在复平面上的极点存在于右半平面，即Re(s) > 0。

传递函数与频域分析传递函数是一种用于描述线性时不变系统（LTI）的频率响应的数学工具。

频域分析是一种将信号从时域（时间）转换为频域（频率）的方法。

这两个概念在电路分析、信号处理、控制系统等领域中都有广泛的应用。

首先，我们来介绍一下传递函数。

传递函数是一个将输入信号与输出信号进行关联的函数。

对于一个LTI系统而言，传递函数是该系统的冲激响应的拉普拉斯变换。

传递函数描述了系统对输入信号的响应方式，从而可以推断出输出信号的特性。

传递函数通常用H(s)表示，其中s是复变量，表示频率域。

传递函数可以用于分析系统的幅频响应和相频响应。

通过将H(s)带入不同频率的复指数形式，可以得到系统的频率响应曲线。

幅频响应描述了系统对不同频率的输入信号的幅度放大或衰减程度，相频响应描述了系统对不同频率的输入信号的相位改变。

通过分析传递函数的峰值和相位延迟等参数，可以了解系统对不同频率信号的响应特性，从而进行系统设计和优化。

频域分析是一种将信号从时域（时间）转换为频域（频率）的方法。

频域分析可以通过对信号进行傅立叶变换或拉普拉斯变换来实现。

傅立叶变换用于处理连续时间信号，而拉普拉斯变换用于处理离散时间信号。

通过将信号从时域表示转换为频域表示，可以将信号的频率成分（频谱）可视化，进而分析信号的频域特性。

频域分析可以帮助我们理解信号的频率成分、谐波分布、峰值位置等。

例如，频域分析可以帮助我们确定音频信号中的基频和谐波成分，进而进行音频处理和音乐合成。

在控制系统中，频域分析可以帮助我们理解系统的稳定性和响应特性，从而设计合适的控制器。

在通信系统中，频域分析可以帮助我们确定信道特性，进行信号调制和解调。

传递函数与频域分析密切相关。

通过对传递函数进行频域分析，可以得到系统的频率响应曲线。

频域分析可以帮助我们理解传递函数的物理意义和系统特性，从而进行系统建模和仿真。

传递函数可以通过频域分析的方法进行测量和估计，从而验证系统设计和优化性能。

一. 传递函数辨识的时域法:1.()1sKe 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: 2121121212ln(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)sKe 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.12121221*()1ttT 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 y12212121212()/2.16/() 1.74/0.55T 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 ϕωϕωωϕ⎡⎤=+=⎢⎥⎢⎥⎣⎦在时间域上取: 0,,2,,t h h nh = [](0),(),,()T Y yy 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 ϕϕ==根据最小二乘原理: 11221ˆˆarctan ˆˆT Tf c c Y A c c ψψψϕ-⎛⎫⎡⎤⎡⎤===⎪⎢⎥⎣⎦⎣⎦⎝⎭开环系统相频和幅频为: 21ˆarctan 20lg ˆe m c M cϕ⎛⎫== ⎪⎝⎭⎝⎭三. 1.根据脉冲响应()g t 求脉冲传递函数1()G z -1112111()(1)(2)()1nk n nn b z b z G z g z g z g k z a z a z--------++==++++++(1)(2)()(2)(3)(1)()(1)(21)g g g n g g g n H g n g n g n ⎡⎤⎢⎥+⎢⎥=⎢⎥⎢⎥+-⎣⎦ 12(1)(1)(2)(2)(2)()g n g g n g G G g n g n +⎡⎤⎡⎤⎢⎥⎢⎥+⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦1111n n a a H G a --⎡⎤⎢⎥⎢⎥=-⎢⎥⎢⎥⎣⎦112212110001001n n n b a b G a a ab --⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦ 四. 相关分析法:一个具有脉冲响应函数为()g t 的系统,如果其输入量是信号()u t 的自相关函数()uu R τ,则其响应就等于输入信号()u t 与相应的输出信号()y t 之间的互相关函数()uy R τ当被辨识系统输入为白噪声(一种均值为0, 谱密度为非零常数的平稳随机过程)时, 只要确定输入与输出信号间的互相关函数, 即可求出被辨识系统的脉冲响应函数()g τ, 因为白噪声的自相关函数是一个δ函数, 即2()()uu R τσδτ= 又: 2()()uy R g τστ= 则:21()()uy g R ττσ=其中0()()()uy uu R g R d τλτλλ∞=-⎰要求: (1)持续激励 (2)最优输入信号M 序列的性质:(1) 一个n 级移位寄存器产生的M 序列周期为长度是: 21nN =-(2) 2211()/(1)xx N a N R a NN ττττ⎧⎛⎫++-≤≤⎪ ⎪=⎨⎝⎭⎪-<≤-⎩周期的偶函数M 序列的周期要大于被辨识系统的过渡时间. M 序列辨识过程:()220101()ˆ()()/ˆ(0)2()/()()()Txy xy N xy i N a S a C g d N N g i R i C S g R i C S a R sign x i y i N∆σσ∆∆∆τ∆∆τ-=+==⎡⎤=+⎣⎦⎡⎤=+⎣⎦≅+⎡⎤⎣⎦⎰∑五. 极大释然估计流程:1111ˆˆˆˆN N N N N N r K θθθε++++=+=+1(1)1(1)(1)N f N T f N fP h N K h N P h N ++=+++1(1)(1)1(1)(1)T N f f N N NT f N f P h N h N P P P h N P h N +++=-+++1ˆˆ(1)(1)T N N y N h N εθ+=+-+六. 最小二乘:11()()()()n ni i i i z k a y k i b u k i v k ===--+-+∑∑定义: []()(1),(2),,(),(1),(2),,()h k y k y k y k n u k u k u k n =---------[]1212,,,,,,,Tn n a a a b b b θ= 则: ()()()z k h k v k θ=+ 1. 一般最小二乘:令: (1)(1)(0)(1)(0)(1)(2)(2)(1)(2)(1)(2)()()(1)()(1)()m m z h y y n u u n z h y y n u u n Z H z m h m y m y m n u m u m n ----⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥----⎢⎥⎢⎥⎢⎥===⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥------⎣⎦⎣⎦⎣⎦()1ˆT T m m m m H H H Z θ-= ˆθθθ=- ()0E θ= (无偏估计)均方误差: ()()()11T T T T m mm m m m E H H H RH H H θθ--=例:1210104z r Z H R z r ⎡⎤⎡⎤⎡⎤===⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦()()1121ˆ2T T H H H Z z z θ-==+ ()()()1154T T T T r E H H H RH H Hθθ--==2. 加权最小二乘:[](1),(2),,()m W w w w m = ()1ˆT T m m mm m m H W H H W Z θ-= ˆθθθ=- ()0E θ= (无偏估计)均方误差: ()()()11T T T Tm m mm m m m m m m E H W H H W RW H H W H θθ--=如果 1m W R -= 则: ()111ˆT T m m m m H R H H R Z θ---=例: 用两台仪器对位置标量各测量一次, 量测量分别为12,z z , 仪器的测量误差均值为0, 方差分别为,4r r 的随机量, 求其最小二乘估计, 并计算估计的均方误差.解: 采用加权最小二乘估计, 权阵1m W R -=, 并计算估计的均方误差. 由题意得量测方程: Z H V θ=+()11241ˆ55T T H W H H W Z z z θ-==+ ()()()1145T T T T E H W H H W RW H H W H r θθ--==3. 一般最小二乘参数辨识流程图:七. 模糊系统辨识1. 模糊系统的设计设二维模糊系统()g x 为集合21122[,][,]U R αβαβ=⨯⊂上的一个函数, 其解析形式未知. 假设对任意一个x U ∈, 都能得到()g x , 则可设计一个逼近的模糊系统.步骤: (1)在[,]i i αβ上定义(1,2)i N i =个标准的, 一致的, 完备的模糊集12,,,i Ni i i A A A (2)组建12M N N =⨯条模糊集if then -规则:12i iu R ,如果1x 为11i A 且2x 为22i A , 则y 为12i iB , 其中11221,2,,,1,2,,i N i N ==将模糊集12i iB 的中心12()i iy 选择为: ()121212,i ii iy g e e =(3) ()()12121212121212121212111211()()()()()N N i i i i A A i i N N i i A A i i yx x f x x x μμμμ=====∑∑∑∑2. 万能逼近定理:令()f x 为二维模糊系统, ()g x 为未知函数, 如果()g x 在1122[,][,]U αβαβ=⨯上是连续可微的, 则模糊系统的逼近精度为:1121112max (1,2)i j ji i i j N g g g fh h h e e i x x +∞≤≤-∞∞∂∂-≤+=-=∂∂无穷维范数∞∙定义为()sup ()x Ud x d x ∞∈= j i e 为第j 个模糊集中心点的坐标.3. 仿真实例:(1) 针对一维函数()g x , 设计一个模糊系统()f x , 使之一致的逼近定义在[3,3]U =-上的连续函数()sin g x x =所需精度为0.2ε=, 即sup ()()x Ug x f x ε∈-<由于cos()1g x x∞∞∂==∂,g g fh h x∞∞∂-≤=∂,故取0.2h ≤满足精度要求, 取0.2h =则模糊集的个数为: 131LN n=+= 在[3,3]U =-上定义31个具有三角形隶属函数的模糊集j A .所设计的模糊系统为: 311311sin()()()()jj Aj j Aj e x f x x μμ===∑∑(2) 针对二维函数()g x , 设计一个模糊系统()f x , 使之一致的逼近定义在[1,1][1,1]U =-⨯-上的连续函数1212()0.520.10.280.06g x x x x x =++- 所需精度为 0.1ε=由于21sup 0.10.060.16x Ug x x ∈∞∂=-=∂,12sup 0.280.060.34x Ug x x ∈∞∂=-=∂取 120.2h h ==有: 0.160.20.340.20.1g f∞-≤⨯+⨯=满足精度要求由于2L =, 此时模糊集的个数为: 111LN n=+=, 即12,x x 分别在[1,1]U =-上定义11个具有三角形隶属函数的模糊集jA所设计的模糊系统为: ()12121212121111121111111211()()()()()i i i i A A i i i i AA i i g e e x x f x x x μμμμ=====∑∑∑∑八.遗传算法步骤: (1) 确定决策变量, 及各种约束条件,即确定个体的表现型x和问题的解空间(2) 建立优化模型, 即确定出目标函数的类型及数学描述形式或量化方法(3) 确定表示可行解的染色体编码方法, 即确定出个体的基因型x及遗传算法的搜索空间.(4) 确定解码方法, 即确定出由个体基因型x到个体表现型X的对应关系或转换方法.(5) 确定个体适应度的量化评价方法, 即确定出由目标函数值到个体适应度的转换规则(6) 设计遗传算子, 即确定选择运算, 交叉运算, 变异运算等遗传算子的具体操作方法.M G P P(7) 确定遗传算法的有关运行参数, ,,,c m流程图:九. 神经网络:1. BP 神经网络(1) 前向传播:输入: j ij ii x w x =∑ 输出: 2kj j jx wx =∑取()n k y k x =, 则网络输出与理想输出的误差为: ()()()n e k y k y k =- 误差性能指标函数为: 21()2E e k =(2) 反向传播:输出层及隐层的连接权值学习算法为:222()()k j j j j x Ew e k e k x w w ∆ηηη∂∂'=-==∂∂ 1k +时刻的网络权值为: 222(1)()j j j w t w t w ∆+=+ 隐层及输入层连接权值学习算法为: ()n ij ij ijy Ew e k w w ∆ηη∂∂=-=∂∂ 1k +时刻的网络权值为: (1)()ij ij ij w k w k w ∆+=+如果考虑上次权值, 对本次权值变化的影响, 需要加入动量因子α, 此时的权值为:(1)()()(1)ij ij ij ij ij w k w k w w k w k ∆α⎡⎤+=++--⎣⎦, 其中η为学习速率,α为动量因子, ,[0,1]ηα∈2. RBF 神经网络输入向量: 12[,,,]Tn X x x x = 径向基向量: 12[,,,,,]Tj m H h h h h =其中22exp ,1,2,,2jj j X Ch j m b ⎛⎫- ⎪=-= ⎪⎝⎭网络的第j 个节点的中心矢量为: 12[,,,,,]Tj j j ij nj C c c c c = 网络的基宽向量为: 12[,,,]Tm B b b b = 网络的权向量为: 12[,,,,,]j m W w w w w =k 时刻网络的输出为: 1()mm i i i y k wh w h ===∑设理想输出为()y k , 则性能指标函数为: []21()()()2m E k y k y k =- 根据梯度下降法, 输出权,节点中心及节点基宽参数的迭代算法如下:[]()()j m j w y k y k h ∆η=-()(1)(1)(2)j j j j j w k w k w w k w k ∆α⎡⎤=-++---⎣⎦ 其中η为学习速率,α为动量因子.。