针对缺失数据的水下航行器的极大似然参数估计方法研究

摘要

本发明公开了一种于缺失数据的水下航行器的输出误差自回归模型的极大似然递推参数估计方法。大多数控制策略都是基于数学模型的，建立精确的数学模型在过程控制中起着重要的作用。水下航行器是在复杂海洋环境下工作的载体，它能够猜测水下环境并且自主完成特定作业任务。运动控制是水下航行器设计的重要内容，然而，由于传感器故障、硬件限制、通信错误或计算机过载等原因导致很难得到采样点的观测数据，同时由于有色噪声的干扰造成对水下航行器运动控制系统参数辨识的困难。为了实现辨识模型与控制器的在线调整，本发明通过改变采样间隔跳过缺失数据，结合极大似然递推最小二乘算法进行系统参数的估计。本发明包括构建出缺失数据的输出误差自回归模型，构建出极大似然递推最小二乘参数辨识算法流程、构建出极大似然递推最小二乘算法等步骤。本发明简单、高效，可以应用于缺失数据的水下航行器运动控制系统的参数辨识。

说明书

技术领域

本发明涉及一种基于缺失数据的水下航行器的输出误差自回归模型的极大似然递推参数估计方法。

背景技术

水下航行器是在复杂海洋环境下工作的载体，它能够猜测水下环境并且自主完成特定作业任务。运动控制是水下航行器设计的重要内容，然而，由于传感器故障、硬件限制、通信错误或计算机过载等原因导致很难得到采样点的观测数据，同时由于有色噪声的干扰造成对水下航行器运动控制系统参数辨识的困难。因此对受到有色噪声干扰的确实数据的水下航行器的参数辨识是有必要的。系统辨识对于模型辨识误差、传感器噪声表现出良好的鲁棒性，通过辨识模型，根据被控系统的历史信息和未来输入预测其未来输出，实现辨识模型与控制器的在线调整。

极大似然变间隔递推最小二乘算法可以通过改变采样间隔跳过缺失数据，实现缺失数据系统参数的在线辨识。通过极大似然变间隔递推最小二乘算法可以实现大量缺失数据系统参数的有效估计。因此，本发明采用极大似然变间隔递推最小二乘算法对缺失数据的水下航行器方程误差自回归模型进行参数辨识。

本发明的目的是利用极大似然递推参数估计方法对缺失数据的水下航行器输出误差自回归模型参数进行辨识。

本发明的解决方案是：

(1)构建基于缺失数据的水下航行器的输出误差自回归模型的辨识模型，具体步骤如下：

第一步：构建基于输出误差自回归模型结构见附图1；

第二步：根据此模型，构建输出误差自回归模型表达式如下：

上述公式中各符号的含义：u(t)和y(t)是入系统的输入和输出，v(t)是均值为零、方差为σ

第三步：构建输出误差自回归模型中间变量g(t)和h(t)表达式如下：

第四步：构建输出误差自回归模型辨识模型如下：

第五步：当t＝t

(2)构建出极大似然变间隔递推最小二乘参数辨识算法流程：

第一步：启动辨识算法；

第二步：令t＝1，设置初始值；

第三步：获取输入数据和输出数据，并进行数据预处理，构造

第四步：计算增益向量L(t

第五步：更新参数估计向量

第六步：计算

第七步：将t值加1，重复上述过程。

其中各变量的定义如下：

定义输入量为u(t

定义v(t

定义

定义

定义

定义

定义

(3)根据极大似然变间隔递推递推最小二乘估计算法流程，构建出极大似然变间隔递推递推最小二乘估计算法。

根据权利要求1所述的基于输出误差自回归模型的极大似然递推参数估计方法，其特征是：步骤(3)中所述极大似然变间隔递推最小二乘估计算法为：

/>

上述算法的具体步骤：

(1)启动辨识算法，令t＝1，设置初始值

(2)通过式(10)、式(9)计算

(3)分别通过式(7)和式(8)获得L(t

(4)通过式(5)，更新参数估计

(5)通过式(12)(16)计算

(6)将t值加1，重复上述过程；

其中各变量的定义如下：

定义输入量为u(t

定义v(t

定义

定义

定义

定义

定义

附图说明

下面结合附图和实例对本发明作进一步说明。

其中各变量的定义如下：

图1是输出误差自回归模型结构图。

图2是该模型的极大似然递推参数辨识算法流程图。

图3到图5是本发明方法的具体实例示意图。图3输出缺失示意图，图4为u(t