系统辨识及其matlab仿真ch2,ch5ch7程序注释与剖析

第二部分程序注释及运行结读者须知为了便于读者理解现将光盘上第一部分可直接在6.I下运行的程序的编号和书本上的内容对应如下每个程序题目括号内的file.m对应书本上的内容在光盘上第一部分的程序第二章的随机序列产2.1用乘同余法产生随机数(见光盘 fork=1:N x1=mod %将x2器的数除以M，取余数放x1（xi）中 %将v1中的数（i）存放在矩 %xi-1=xi； ‘ '),2.5图2.5采 (0-1) 的copy出来如下（v26个随机数v2第二章的白噪声产生程2.2用乘同余法产生(见光盘①编程如下： N=100；%初始化； fork=1:N x1=mod %取x2器的数除以M的余数放x1（xi）中 %将v1中的数（i）减去0.5再乘 %xi-1=xi； ‘， '),('(-2.6图2.6采用产生的(-1,+1)均匀分布的白噪声序(-1，1) 的copy出来如下（v26个随机数v2-----------------------------*另外，书中图2.3白噪声的产生如下 N=300；%初始化； fork=1:N x1=mod %取x2器的数除以M的余数放x1（xi）中 %将v1中的数（i）减去0.5再乘 在矩阵器v的第k列中，v(:,k)表示行不变、列随递推 %xi-1=xi； %该语句后无‘，实现矩阵器v中随机数放在v2中， '),('(-2.3图2.3白噪声过第二章的M序列产生程例2.3用移位寄存器产生M序列 软件实现(见光盘 （0101， for ifY4==02.8图2.8软件实现的移位寄存器产生的M.'四级移位寄存器产生的MMColumns1through- - - -Columns11through - - Columns21through - - - - - Columns31through- - - -Columns41through - - Columns51through - - - - - i1第五章的递推的极大5.25.5所示。试用递推的极大似然法对系统辨识的参数集

+5.55.2v(k)随机信号，输入信号为幅值为1M解:首先解释编程所用的部分字母：由于 M序列时，a(i),b(i),c(i),d(i)1，2，3，4级寄存器的输出;①编程如下(光盘上该程序：FLch5RMLeg2.m，可在 6.I下直接运编程 %fori=2:1200 v=randn(1200,1产生正态分布随机数 fori=1:1200for fork=3:1200o=o1+K*v(k);%');%title('TheparameteridendificationoftheRML');ylabel('randomnoise')序运行结果如图5.7所200a2=06b1=1b2=05d2=02kk10 k1k0 k5k k5.7RML辨识参数曲第七章的用改进的神经网络MBP算法辨7.1对具有随机噪声的二阶系统的模型辨识（光盘上编号：为y(k)a1y(k-1)a2y(k-2)bu(k-1)

a10.3366a20.6634,b0.68,(k157.5正向建模(并联辨识)结构，神经网络选用3-9-9-1型，即输入层i，隐层j包括2级，输出层k的节点个数分别为3、9、9、1个；1，因此在辨识前应对原系统参考模型标么化处理，辨识编程如下w2ij(k2，w121ijw21ij(k1；w20jw3ij(k2，w21j表示w3ij(k1；q表示隐层阈值；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算法对具有随机噪声w11ij w21j--------w121ij - - ---第七章的非线性辨识的程7.2用神经网络学习二维非线性函数ypcos(2k1m2k2nsin(2k2n（光%初始化:w10ijwij(k-2)；w11ijwij(k-1)；w20jwjk(k-2)w21jwjk(k-1)；q和p为阈值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; % %对样本的一次采样值训练k次结束 %二维非线性样本 %训练误差 %n %m “， );% xlabel('m'),ylabel('n'),zlabel('ypp')，%三维坐标title('Identifiedmodelbyinp.algorithm')%图题subplot(2,2,2);mesh(yom)subplot(2,1,2);mesh(e3)3) 0

0 0 n

m

7.13ypcos(2k1m2k2nsin(2k2n的辨识结m或nfor,end,lse和h，1ij和wjmw11ijw21j-------- - - ③调整修正因子

a3和

b3修正因子、循环次数m和n确定，调整第三层内循环k的次数,可以明显地改变训练精度和程序运行速度，k=20,最大方差e3max=0.01,程序运行时间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；”%协%（第七章的模糊神经网络解耦程例7.3用隶属函数型神经网与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)随机噪声；yij(k)为两个相邻子系统之间的耦合；采用隶属函数型神经网与 1)开发的程序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表示随机噪声和子系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');%图标炷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.