1.程序功能描述 基于极大似然算法的系统参数辨识。对系统的参数a1,b1,a2,b2分别进行估计,计算估计误差以及估计收敛曲线,然后对比不同信噪比下的估计误差。
2.测试软件版本以及运行结果展示 MATLAB2022a版本运行
3.核心程序
for k=5:LEN
% 构造观测向量
h = [-yout(k-1);-yout(k-2);inputs(k-3);inputs(k-4);noise(k-1);noise(k-2)];
% 滤波后的观测向量
hf = h;
% 计算增益
K = p0*hf*inv(hf'*p0*hf+1);
% 更新协方差矩阵
p = [eye(6,6)-K*hf']*p0;
% 计算残差
noise(k) = yout(k)-h'*Pest1;
% 更新参数估计
Pest = Pest1+K*noise(k);
% 更新协方差矩阵
p0 = p;
% 保存当前参数估计以便下一次迭代使用
Pest1 = Pest;
end
disp('参数估计值a1,a2,b1,b2');
Pest1(1:4)
figure
k=1:LEN;
plot(k,a1,'k:',k,a2,'b',k,b1,'r',k,b2,'m:');
xlabel('k')
ylabel('参数')
legend(['a1=',num2str(A1)],['a2=',num2str(A2)],['b1=',num2str(B1)],['b2=',num2str(B2)]);
title('参数辨识结果');
figure
subplot(221);
k=1:LEN;
semilogy(k,e1,'b');
xlabel('k');
ylabel('error');
title('误差曲线')
grid on
subplot(222);
k=1:LEN;
semilogy(k,e2,'b');
xlabel('k');
ylabel('error');
title('误差曲线')
grid on
subplot(223);
k=1:LEN;
semilogy(k,e3,'b');
xlabel('k');
ylabel('error');
title('误差曲线')
grid on
subplot(224);
k=1:LEN;
semilogy(k,e4,'b');
xlabel('k');
ylabel('error');
title('误差曲线')
grid on
34
4.本算法原理 极大似然估计(Maximum Likelihood Estimation, MLE)是一种统计方法,用于从样本数据中估计概率分布的参数。其核心思想是选择参数值,使得观测数据出现的概率最大化。系统参数辨识是指利用观测数据来估计系统模型中的未知参数。这些参数可以是线性系统的系数、非线性系统的参数化形式中的常数,或者是随机过程中的统计特性等。
极大似然估计是一种统计推断方法,用于估计一个概率模型的参数值,使得观测数据在给定这些参数值时出现的可能性最大。在系统参数辨识中,我们通常假设系统的输出可以通过某种概率模型来描述,而该模型包含了一些未知的系统参数。我们的目标是根据已知的观测数据来确定这些参数。
极大似然算法在系统参数辨识中是一种强大且广泛使用的工具。它通过最大化观测数据的似然函数来估计模型参数,从而提供了一种从数据中学习系统行为的方法。
标签:似然,hf,LEN,估计,参数,matlab,ylabel,辨识
From: https://blog.51cto.com/u_16286143/12015669