设模型阶数为n,相应的估计用 表示,即
而估计 满足
将方程的次序倒一下还可写成
现在令模型阶数加1,并令相应的估计为
于是, 满足
写为如下分块矩阵形式
和
以相关矩阵ΦN 的逆前乘式,可写出
的递推形式。当给定n 阶模型的估计时就能递推算出任何n+1 阶模型的估计。把这些方程重新按以下形式写出,就可明显看出这一点。令pn+1 代表,就能写出
其中
参数p 叫作偏相关系数。可清楚地看出,如果知道p1,…,pn,就能算出任何n 时的估计。现在,来考虑求这些系数。令 乘以z-i,对i 求和,得
定义多项式
和
利用这些多项式,写为
现在用Fn(z-1)和Gn(z-1),求Gn+1(z-1)的关系。为此,用n+1-i 代替i,写为
得
进而就能得到如图9-1 所示的网格结构。
图9-1 用Levinson 算法进行辨识
由图9-1 可知,(k)为沿着网格上面支路的第n 个加法器的输出,它就是假定n 阶模型之下所得的剩余量。这样就可以使E[((k))2]最小,以得到参数的估计。
正如前面指出的那样,这样得到的结构产生x(k)的最佳线性均方估计,是以x(k)过去的值x(k-1),…,x(k-n)表示的。为了看出这一点,我们把估计量定义为
然后,利用正交原理,系数 必须保证估计误差,即(www.daowen.com)
与集合x(k-j)(j=1,…,n)正交。即
有
同样,以x(k-n),…,x(k-1)写出 x(k-n-1)的估计量
则估计误差为
利用正交原理解方程组就可得到各个系数。
比较,有
得
剩余误差由如下递推公式计算,即
使E[(( k))2]最小或使E[((k))2]最小,就可计算出pn+1。可以证明,pn+1 的两个估计为
和
因为x(k)是平稳的,直接计算可知,
因此,可以通过合并计算得到估计值计算式
式中的互相关系数类似于
计算。
下面简要归纳本算法。给定数据序列x0,x1,…,xL-1,可组成两个序列
计算;然后求(k)和(k)k=0,…,L-1;再形成所需的互相关系数并计算。这一过程可根据需要一直迭代计算下去。
因为pn+1 仅取决于( k),很清楚,pn+1 与pj 无关,j>n+1,这意味着与计算系数a_i 相反。当所设模型阶数增加时,不需要再计算pi。实际上,这一算法也提供了求模型阶数N 的方法。正如前面提到的,如果参数都被正确地辨识出来了,剩余的就是白噪声。因此,每一步递推运算中剩余误差的均方值为
对每个n 形成差值为
如果这个量达到最小值或基本趋于一常数,则意味着进一步处理并不能减小剩余误差。这时的n 值就被认为是对应于模型的阶数。系数 可根据 算出。
Levinson 算法不需要预先确定模型的阶数N。但是,它是一种成批处理技术,并包括计算相关系数。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。