系統(tǒng)辨識及其matlab仿真ch2,ch5ch7程序注釋與剖析

第二部分程序注釋及運行結(jié)讀者須知為了便于讀者理解現(xiàn)將光盤上第一部分可直接在6.I下運行的程序的編號和書本上的內(nèi)容對應如下每個程序題目括號內(nèi)的file.m對應書本上的內(nèi)容在光盤上第一部分的程序第二章的隨機序列產(chǎn)2.1用乘同余法產(chǎn)生隨機數(shù)(見光盤 fork=1:N x1=mod %將x2器的數(shù)除以M，取余數(shù)放x1（xi）中 %將v1中的數(shù)（i）存放在矩 %xi-1=xi； ‘ '),2.5圖2.5采 (0-1) 的copy出來如下（v26個隨機數(shù)v2第二章的白噪聲產(chǎn)生程2.2用乘同余法產(chǎn)生(見光盤①編程如下： N=100；%初始化； fork=1:N x1=mod %取x2器的數(shù)除以M的余數(shù)放x1（xi）中 %將v1中的數(shù)（i）減去0.5再乘 %xi-1=xi； ‘， '),('(-2.6圖2.6采用產(chǎn)生的(-1,+1)均勻分布的白噪聲序(-1，1) 的copy出來如下（v26個隨機數(shù)v2-----------------------------*另外，書中圖2.3白噪聲的產(chǎn)生如下 N=300；%初始化； fork=1:N x1=mod %取x2器的數(shù)除以M的余數(shù)放x1（xi）中 %將v1中的數(shù)（i）減去0.5再乘 在矩陣器v的第k列中，v(:,k)表示行不變、列隨遞推 %xi-1=xi； %該語句后無‘，實現(xiàn)矩陣器v中隨機數(shù)放在v2中， '),('(-2.3圖2.3白噪聲過第二章的M序列產(chǎn)生程例2.3用移位寄存器產(chǎn)生M序列 軟件實現(xiàn)(見光盤 （0101， for ifY4==02.8圖2.8軟件實現(xiàn)的移位寄存器產(chǎn)生的M.'四級移位寄存器產(chǎn)生的MMColumns1through- - - -Columns11through - - Columns21through - - - - - Columns31through- - - -Columns41through - - Columns51through - - - - - i1第五章的遞推的極大5.25.5所示。試用遞推的極大似然法對系統(tǒng)辨識的參數(shù)集

+5.55.2v(k)隨機信號，輸入信號為幅值為1M解:首先解釋編程所用的部分字母：由于 M序列時，a(i),b(i),c(i),d(i)1，2，3，4級寄存器的輸出;①編程如下(光盤上該程序：FLch5RMLeg2.m，可在 6.I下直接運編程 %fori=2:1200 v=randn(1200,1產(chǎn)生正態(tài)分布隨機數(shù) fori=1:1200for fork=3:1200o=o1+K*v(k);%');%title('TheparameteridendificationoftheRML');ylabel('randomnoise')序運行結(jié)果如圖5.7所200a2=06b1=1b2=05d2=02kk10 k1k0 k5k k5.7RML辨識參數(shù)曲第七章的用改進的神經(jīng)網(wǎng)絡MBP算法辨7.1對具有隨機噪聲的二階系統(tǒng)的模型辨識（光盤上編號：為y(k)a1y(k-1)a2y(k-2)bu(k-1)

a10.3366a20.6634,b0.68,(k157.5正向建模(并聯(lián)辨識)結(jié)構(gòu)，神經(jīng)網(wǎng)絡選用3-9-9-1型，即輸入層i，隱層j包括2級，輸出層k的節(jié)點個數(shù)分別為3、9、9、1個；1，因此在辨識前應對原系統(tǒng)參考模型標么化處理，辨識編程如下w2ij(k2，w121ijw21ij(k1；w20jw3ij(k2，w21j表示w3ij(k1；q表示隱層閾值；pf1=5w10ij=[.01.01.02;.1.11.02;.010.1;.11.01.02;.1.1.02;.11.1.1;.1.1.1;0.1.1;.10w11ij=[.1.2.11;.02.13.04;.09.08.08;.09.1.06;.1.11.02;.060.1;.1.1.1;0.10;.1.1.1];w21j=[0;0.1;.1;q0j=[.9.8.7.6.1.2.1.1q11j=[.5.2.3.4.1.2.1.1 %thresholdxj=[11 %a1=[1111];e3=.055;z1=0;z12=0;q123j=0;t2j=0;o12j=0;r=0;r1=0;%+++++++++++++++++++++++++++++++++%calculatingoutputofthehiddenlayerfor %calculatingoutputofthehiddenlayer(1) %calculatingoutputofthehiddenlayer(2) %calculatingoutputoftheoutputlayer %calculatingerrorvaluebetweenaimandpracticevaluexj=[xj1xj2%revisingrightvalue(1) for%revisingrightvalue(2) for%revisingrightvalue % %grapherplot(m,ya,m,ym,'rx'),title('IdentifiedmodelbyMBPalgorithm'),xlabel('k'),ylabel('ya legend('yaissystem','ymisidentifiedmodelplot(m,v),xlabel('k'),ylabel('randomnoise')IdentifiedmodelbyMBPyaisyaisymisidentifiedyayaand210 kkx3210 k00-0

k7.12MBP算法對具有隨機噪聲w11ij w21j--------w121ij - - ---第七章的非線性辨識的程7.2用神經(jīng)網(wǎng)絡學習二維非線性函數(shù)ypcos(2k1m2k2nsin(2k2n（光%初始化:w10ijwij(k-2)；w11ijwij(k-1)；w20jwjk(k-2)w21jwjk(k-1)；q和p為閾值w10ij=[.01.01.02;.01.01.02;.010.01;.001.001.002;.0010.002;.0011.001.001]w11ij=[-.1-.02.11;-.21.10-.19;-.14.15-.16;.14-.13.17;-.13.12.21;-.16-.23.13];q0j=[.5.8.4.6.1.2];q1j=[-.1.02.12.14-.02 %thresholdxj=[0.50.3 %ya=[000];yp=0;yy=0;m1=0;yam=0;yp1=0;qw=0;yo=[000];ya1=0;n=1;q=0;e3=.0055;a1=0.036;a2=0.036;forforn=1:36%xj=[0.4+yzs0.3 %calculatingoutputofthehiddenlayer %calculatingoutputoftheoutputlayer %calculatingerrorvaluebetweenaimandpracticevalue%revisingrightvalue forj=1:3ife2<0.004,a1=0;a2=0;a3=0;else,a1=0.022; %wife2<0.004,w=0.78*w;end break; % %對樣本的一次采樣值訓練k次結(jié)束 %二維非線性樣本 %訓練誤差 %n %m “， );% xlabel('m'),ylabel('n'),zlabel('ypp')，%三維坐標title('Identifiedmodelbyinp.algorithm')%圖題subplot(2,2,2);mesh(yom)subplot(2,1,2);mesh(e3)3) 0

0 0 n

m

7.13ypcos(2k1m2k2nsin(2k2n的辨識結(jié)m或nfor,end,lse和h，1ij和wjmw11ijw21j-------- - - ③調(diào)整修正因子

a3和

b3修正因子、循環(huán)次數(shù)m和n確定，調(diào)整第三層內(nèi)循環(huán)k的次數(shù),可以明顯地改變訓練精度和程序運行速度，k=20,最大方差e3max=0.01,程序運行時間ts=14s;k=6,e3max=0.032,ts=12s;k=3,e3max=0.08,ts=10sk=2,e3=0.22,ts=9s.句：“ife2<0.05,a1=0;a2=0;a3=0;else,a1=0.02;a2=0.05;a3=0.005;end；”%協(xié)%（第七章的模糊神經(jīng)網(wǎng)絡解耦程例7.3用隸屬函數(shù)型神經(jīng)網(wǎng)與模糊控制融合的解耦程序y1(k)a11y(k1)y(k)ay(k1)

(7.122) 式中，i(k)隨機噪聲；yij(k)為兩個相鄰子系統(tǒng)之間的耦合；采用隸屬函數(shù)型神經(jīng)網(wǎng)與 1)開發(fā)的程序a10=[-20a11=[-20a20=[-20a21=[-20b10=[1.51.5b11=[1.51.5b20=[1.51.5b21=[1.51.5v0=[-1-0.5-0.5;-0.500.5;0.50.5v1=[-1-0.5-0.5;-0.500.5;0.50.5%%thesecondchannelreference%forep1=10-));%%functiondealwithX1=-X2=-%thehiddeninglayeroutputofFNNfori=1:3for%theoutputforfor %+n1(:,k)+0.01*y12表示隨機噪聲和子系disp(['theoutputynumberis'int2str(T)]);e2=sp-fori=1:3for%refreshingthecenterandforj=1:3forj=1:3forj=1:3%for

for

for%addingtheseconda102=[-202];a112=[-20a202=[-20a212=[-20b102=[1.51.5b112=[1.51.5b202=[1.51.5b212=[1.51.5v02=[-1-0.5-0.5;-0.500.5;0.50.5v12=[-1-0.5-0.5;-0.500.5;0.50.5forep2=5-%functiondealwidth%thehiddeninglayeroutputofFNN,fori=1:3for%theoutputforfor;%+disp(['theoutputy2numberis'int2str(T)]);fori=1:3for%refreshingthecenterandforj=1:3forj=1:3forj=1:3%for

for

forif(abs(e1)<=eps&abs(e)<=eps)

L=k-1;legend('spisSUB1-input','YisSUB1-decoupling','sp2isSUB2-input','Y2isSUB2-decoupling','Esiserror1','E22iserror2');%圖標炷title('ThedecouplingbyFNNalgorithm'),ylabel('yp,yandsp2,y2')legend('n1isSUB1-noise','n2isSUB2-noisea102=[-202];a112=[-202a202=[-202a212=[-20 FNNa1ia2ix1x2b102=[1.51.51.5b112=[1.51.51.5b202=[1.51.51.5b212=[1.51.5 %b1ib2ix1x2v02=[-10.50.5;-0.500.5;0.50.51v12=[-10.