第七章线性差分方程模型的辨识
- 格式:docx
- 大小:13.98 KB
- 文档页数:3
第7章 差分方程模型在第三章中我们看到,动态连续模型用微分方程方法建立,与此相应,当时间变化离散后,可以用差分方程方法建立。
有些实际问题既可建立连续模型,又可建立离散模型。
本章将主要讨论差分方程模型。
7.1市场经济中的蛛网模型在自由贸易市场上你注意过这样的现象吗:一个时期以来某种消费品如肉的上市量远大于需求,由于销售不畅导致价格下跌,生产者发现养猪赔钱,于是转而经营其他农副业。
这一段时间猪肉上市量就会大减,供不应求将导致价格上涨。
生产者看到有利可图,有重操旧业。
这样在下一个时期会重现供大于求、价格下降的局面、在这种没有外界干预的情况下,这种现象将如此循环下去。
在完全自由竞争的市场经济中上述现象通常是不可避免的,因为商品的价格是由消费者的需求关系决定的,商品数量越多价格越底,而下一时期商品的数量有生产者的需求关系决定的,商品的价格越低生产的数量越少,这样的需求和供应关系决定了市场经济中商品的价格和数量必然是振荡的。
在现实世界里这样的振荡会出现不同的形式,有的振荡渐小趋向平稳,有的则振幅越来越大,没有外界如政府的干预,将导致经济崩溃。
本节先用图形方法建立所谓“蛛网模型”,对上述现象进行分析,给出市场经济区域稳定的条件,再利用差分方程建模,对结果进行解释,并讨论当市场经济不稳定时政府可以采取什么样的干预措施,最后对上述模型做适当推广。
蛛网模型 记第k 时段商品的数量为k x ,价格为k y ,1,2,3,k = 这里我们把时间离散化为时段,1个时段相当于商品的1个生产周期,如蔬菜、水果是一个种植周期,肉类是牲畜的饲养周期。
同一时段商品的价格k y 取决于数量k x ,设()k k y f x = (1)它反映消费者对这种商品的需求关系,称需求函数,因为商品的数量越多价格越低,所以在图1中用一条下降曲线f 表示它,f 称需求曲线。
下一时段商品的数量1k x +由上一时段价格k y 决定,设1()k k x h y +=,或1()k k y g x += (2)这里g 是h 的反函数,反映生产者的供应关系,称供应函数,因为价格越高生产量越大,所以在图中供应曲线g 是一条上升的曲线。
差分⽅程模型讲义差分⽅程模型—?引⾔数学模型按照离散的⽅法和连续的⽅法,可以分为离散模型和连续模型。
1.确定性连续模型1)微分法建模(静态优化模型),如森林救⽕模型、⾎管分⽀模型、最优价格模型。
2)微分⽅程建模(动态模型),如传染病模型、⼈⼝控制与预测模型、经济增长模型。
3)稳定性⽅法建模(平衡与稳定状态模型),如军备竞赛模型、种群的互相竞争模型、种群的互相依存模型、种群弱⾁强⾷模型。
4)变分法建模(动态优化模型),如⽣产计划的制定模型、国民收⼊的增长模型、渔业资源的开发模型。
2.确定性离散模型1)逻辑⽅法建模,如效益的合理分配模型、价格的指数模型。
2)层次分析法建模,如旅游景点的选择模型、科研成果的综合评价模型。
3)图的⽅法建模,如循环⽐赛的名次模型、红绿灯的调节模型、化学制品的存放模型。
4)差分⽅程建模,如市场经济中的蛛⽹模型、交通⽹络控制模型、借贷模型、养⽼基⾦设置模型、⼈⼝的预测与控制模型、⽣物种群的数量模型。
随着科学技术的发展,⼈们将愈来愈多的遇到离散动态系统的问题,差分⽅程就是建⽴离散动态系统数学模型的有效⽅法。
在⼀般情况下,动态连续模型⽤微分⽅程⽅法建⽴,与此相适应,当时间变量离散化以后,可以⽤差分⽅程建⽴动态离散模型。
有些实际问题既可以建⽴连续模型,乂可建⽴离散模型,究竟采⽤那种模型应视建模的LI的⽽定。
例如,⼈⼝模型既可建⽴连续模型(其中有马尔萨斯模型Malthus.洛杰斯蒂克Logistic模型),乂可建⽴⼈⼝差分⽅程模型。
这⾥讲讲差分⽅程在建⽴离散动态系统数学模型的的具体应⽤。
差分⽅程简介在实际中,许多问题所研究的变量都是离散的形式,所建⽴的数学模型也是离散的,譬如,像政治、经济和社会等领域中的实际问题。
有些时候,即使所建⽴的数学模型是连续形式,例如像常见的微分⽅程模型、积分⽅程模型等。
但是, 往往都需要⽤计算机求数值解。
这就需要将连续变量在⼀定的条件下进⾏离散化,从⽽将连续型模型转化为离散型模型。
第七章线性差分方程模型的辨识
根据对过程的初步分析,可以是先提出一个结构已定的参数模型来描述过程的动态特性,而模型中有一些参数需要通过辨识来加以确定,像这样的辨识问题称为参数估计问题,最小二乘法是很常用的估计方法。
线性差分方程模型的最小二乘估计
首先讨论一种较简单的情况,即无噪声或噪声较小的情况,这样可以应用一般最小二乘估计模型参数,但是对于噪声较大的情况,采用一般最小二乘法估计通常是有偏差的,需要应用更加复杂的算法,如广义最小二乘法。
辨识问题的提法
设被辨识的动态系统,可用如下n阶常系数线性差分方程描述:
y(k) + a^y(Jc—1) + •• - a n y(k— n) = bju(k) + biu(k— 1) ---------- 卜b n u(k— n) 系统方程也写成如下算子形式:
A(q_1)y(k) = B(q_1)u(k),
其中,
= 14- fliQ-1 + a2q~2+ …+ 如厂",B(q_1)
= 14- bq_1 + ①厂?H ------------- F bq~n,
辨识问题的提法,已知:
(1)由方程描述的系统都是稳定的。
(2)系统的阶是n阶。
(3)输入输出观测数据{u (k) },{y(k)}(k“,2,...,N+n), 要求根据上述己知条件来估计差分方程的参数:
a】, b](i = 1,2, ・・・N + n),
参数最小二乘估计的慕本思根是,选择
b x(i = 1,2, ...N + n),
使得系统方程尽可能好的与观测数据拟合,考虑到模型误差测最误差,模型方程改为:
A(q")y(k) = B(q_1)u(k) + e(k),
其中,e(約称为模型残差,乂称方程误差。
现在的问题就是决定A(q"), B(g")的系数,是e2最小
最小二乘估计
将下式
A(q_1)y(k) = B(q_1)u(k) + e(k\
改成以下形式
广义最小二乘估计
-般最小二乘法简称LS法,广义最下二乘法简称GLS
GLS的基本思想是,将相关残差啲用白噪声屮),经过传递函数右的滤波器
的滤波输出來表示,即
e(k)=
€伙)
其中,
C((7_1)= 1 + Cig" + c2q~2 + …+ c p q~p cg・..p)为常数,p表示残差模型的阶,c,和p事先是未知的: {G (k)}为白噪声序列
根据方程的误差定义
A(q_1)y(k) = B(q_1)u(k) + e(k),
可得:
A(q_1)y(k) 一B(q_1)u(k) =
C(q 丄)
进而,
AS")C(qT)y(k) 一B(qT)C(qT)u(k) =G (k)
由丁花(幻为白噪声,所以系统参数和噪声参数可以通过以上方程而得到无偏估计,为此定义谋差函数:
丿=》2⑹
刁[A(qT)C(q7)y(k) - B(q")C(qT)u(k)]2
现在的问题是,选择参数使得误差函数J的值为最小,由于参数a,b,c在上述方程中的关系不是线性的,所以不能用一般的LS法求解。
要采用GLS法求解。
GLS法的算法流程图如下图:
输入u(k)t y(k)
结束
对GLS法,当误差函数存在多个局部最小值时,B可能收敛到J的局部最小值而不是全局最小值,另外由于GLS法是一种迭代算法,一般都需耍反复计算几次才能获得结果,因此计算时间较长,所以有必要开发计算时间较短的新算法來解决这一问题。
多级最小二乘估计
多级最小二乘估计简称MSLS法,他是解决具有相关残差系统辨识的另一种有效方法,MSLS的主要特点是通过三级简单的LS估计,最后实现对系统参数和噪声参数的一致估计。
MSLS比LS法优越性在于他没有迭代运算,所以计算时间较短,也不存在收敛问题。