资源描述：
《实验实验一利用相关分析法辨识脉冲响应》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、实验一利用相关分析法辨识脉冲响应一、实验目的通过仿真实验掌握利用相关分析法辨识脉冲响应的原理和方法。二、实验内容下图为本实验的原理框图。过程传递函数为,其中；分别为过程的输入和输出变量；为过程测量白噪声，服从正态分布，均值为零，方差为，记作；为过程的脉冲响应理论值，为过程脉冲响应估计值，为过程脉冲响应估计误差。v(k)过程的输入驱动采用M序列，输出受到白噪声的污染。根据过程的输入和输出数据，利用相关分析算法根据输出过程的脉冲响应值，并与过程脉冲响应理论值比较，得到过程脉冲响应估计误差值，当时，应
2、该有。z(k)y(k)u(k)相关分析法三、实验方案设计(1)采用串联传递函数仿真9u(k)x(k)y(k)令，则的表达框图为：编程语句可写成：(2)白噪声生成●利用U[0,1]均匀分布的随机数生成正态分布的白噪声其中，标准差分别取0,0.1,0.5。●编程语句9(3)M序列生成●用M序列作为辨识的输入信号，N序列的循环周期取,时钟节拍，幅度,逻辑“0”为a,逻辑“1”为-a，特征多项式自选，如。●生成M序列的结构图C1C2C3C4C5C6CPM(6)M(5)+M(4)M(3)M(2)M(1)M
3、(0)●编程语句(4)互相关函数的计算9其中，r为周期数，表示计算互相关函数所用的数据是从第二个周期开始的，目的是等过程仿真数据进入平稳状态。(5)计算脉冲响应估计值●脉冲响应估计值●脉冲响应估计误差四、数据记录理想状态下，即在没有白噪声干扰下的数据输入白噪声标准差sigma(0.5):0脉冲响应估计误差0.0266输入白噪声标准差sigma(0.5):0.1脉冲响应估计误差0.0281输入白噪声标准差sigma(0.5):0.5脉冲响应估计误差0.0293输入白噪声标准差sigma(0.5):
4、1脉冲响应估计误差0.0391输入白噪声标准差sigma(0.5):2脉冲响应估计误差0.0616数据列表输入白噪声标准差00.10.512脉冲响应估计误差0.02660.02810.02930.03910.0616五、结果分析利用相关分析法分析脉冲响应，9得到脉冲响应的估计误差是随着输入白噪声标准差的增加而增大的，带有白噪声污染的输出z,在白噪声标准差为0时与理想输出y是重合的，白噪声的标准差愈小对系统的输出干扰愈小。六．程序流程启动定维输入数据u(252)，输出数据（不含噪声）y(252)输
5、出数据（含噪声）z(252)，噪声数据v(252)，M序列M(7)互相关函数R(63)，脉冲响应g(63)，脉冲响应估计Eg(63)赋初值过程仿真参数：K＝120,T1=8.3,T2=6.2,T0=1.0生成M序列参数：a=1,P＝6,M(0),…,M(7)不能全为0生成白噪声参数：M＝32768,A=179,x0=11人机对话噪声标准差：Sigma；生成数据周期数：r过程仿真生成M序列；生成白噪声；生成过程输入和输出数据计算脉冲响应估计值计算互相关函数；计算脉冲响应估计值计算脉冲响应估计误差计
6、算脉冲响应理论值；计算脉冲响应估计误差9计算过程噪信比计算噪声方差；计算过程输出数据方差打印实验结果脉冲响应估计曲线；数据分析；估计误差源程序清单%利用相关分析法辨识脉冲响应clc;clearall;closeall;a=1;Np=63;Ts=1;%采样时间初始化条件%过程仿真参数K=120;T0=1;T1=8.3;T2=6.2;%产生输入u(k)r=4;M=[0001011];%-初始状态向量P=7;%-实际应为6，循环周期Np=2^6-1=63fork=1:1:252u(k)=1-2*M(7
7、);%-取M6(相对M0而言)结果生成M序列M(1)=xor(M(6),M(7));ifM(1)==2M(1)=0;endi=P;whilei>1M(i)=M(i-1);i=i-1;endend%产生输入数据x（k）%系统仿真方法一，指导书上的K1=K/(T1*T2);E1=exp(-T0/T1);E2=exp(-T0/T2);9x(1)=0;y(1)=0;fork=2:1:252x(k)=E1*x(k-1)+T1*K1*(1-E1)*u(k-1)+T1*K1*(T1*(E1-1)+T0)*(u
8、(k)-u(k-1))/T0;y(k)=E2*y(k-1)+T2*(1-E2)*x(k-1)+T2*(T2*(E2-1)+T0)*(x(k)-x(k-1))/T0;end%产生不带噪声的输出数据y（k）%or%sys=tf([120],[8.3*6.2,8.3+6.2,1]);%y1=lsim(sys,u,1:length(u));%输入为M序列时对系统进行仿真%y=y1';sigma=input('输入白噪声标准差sigma(0.5):');v=whitenoise(0,sigma^2,len
