系统辨识知识要点

1.为什么采用负反馈技术

2.什么是自适应控制，为什么采用自适应控制，指出自适应控制的使用场合

3.学习了什么辨识方法，这些方法之间的联系

4.最小二乘中的无偏性和一致性指的是什么

5.什么是白噪声
白噪声是一种具有平均功率且在所有频率上功率谱密度相等的随机信号。在时域上，它是一个由无限多个随机变量组成的序列，其中每个随机变量都是独立的且具有相同的分布，通常是正态分布。在频域上，白噪声的功率谱密度是一个常数。

白噪声通常被用作一种理想的参照信号，用于衡量和比较其他信号的性质。在信号处理和系统辨识中，通常使用白噪声作为输入信号，以便能够准确地估计系统的响应特性，并进行信号滤波和降噪等处理。

6.谱密度的认识,什么是谱密度
谱密度（Spectral Density）是一种描述信号或随机过程频率分布的函数。它表示随机过程在各个频率上的功率或能量分布情况，是频域分析中的重要概念。

引入谱密度的主要原因是，信号或随机过程的时域表示和频域表示之间存在着一种重要的关系，即傅里叶变换。傅里叶变换可以将时域信号或随机过程转换为频域信号或随机过程，揭示出信号或随机过程在各个频率上的特性。

谱密度提供了一种量化信号或随机过程在频域上特性的方法，可以帮助我们更深入地理解信号或随机过程的性质。例如，可以通过谱密度分析来研究信号或随机过程的周期性、随机性、频谱带宽、相关性等特性。在信号处理、通信、控制等领域中，谱密度分析是一种常用的方法。

需要注意的是，谱密度仅适用于宽平稳（Wide-Sense Stationary）随机过程，即随机过程的均值和自相关函数在时间上是平稳的，且二阶矩有限。对于非宽平稳随机过程，需要采用其他方法进行频域分析。

7.M序列的理解
M序列是一种广泛应用于通信领域中的伪随机序列，其选取原则主要考虑以下几个因素：

长度：M序列的长度应该足够长，一般选择2的幂次方长度，以保证其伪随机性和周期性。

互相关性：M序列应该具有很小的互相关性，即在不同位移下的两个序列的内积应该接近于0，以避免序列间的干扰。

自相关性：M序列应该具有很小的自相关性，即在不同位移下的一个序列的自相关函数应该接近于0，以避免序列自身的干扰。

平衡性：M序列应该具有平衡性，即在序列的每个分量中0和1的个数应该尽可能接近，以避免序列对通信信号的影响。

生成复杂度：M序列的生成算法应该简单，容易实现，且计算量应该尽可能小。

根据上述原则，常用的M序列选取方法有反馈移位寄存器法、卡特兰数法、截断法等。不同的选取方法对应不同的性能和应用场合，需要根据具体需求进行选择

8.MIT模型参考自适应的理解

MIT模型参考自适应控制（Model-Reference Adaptive Control with MIT Rule）是一种基于模型参考的自适应控制方法。该方法通过将参考模型和系统模型进行比较，并根据比较结果来自适应地调整控制器参数，以实现控制系统的自适应控制。

在MIT控制中，参考模型与系统模型之间的误差被称为误差信号，控制器参数的调整取决于误差信号和误差信号的一阶导数。控制器参数的调整采用了MIT规则（MIT Rule），即根据误差信号和误差信号的一阶导数的乘积的正负性，来决定控制器参数的增加或减少。具体而言，当误差信号和误差信号的一阶导数的乘积为正时，控制器参数会增加；当乘积为负时，控制器参数会减少。这样，就能够实现对控制器参数的在线自适应调整，以适应系统的时变性和不确定性。

MIT模型参考自适应控制方案的优点是能够适应系统的不确定性和时变性，且不需要事先知道系统的精确模型，可以在系统的运行过程中进行在线辨识和控制器参数的自适应调整。然而，MIT控制器的稳定性分析比较困难，控制器的收敛速度也可能受到误差信号的变化率的影响，因此在实际应用中需要进行仔细的控制器设计和参数选择，以保证系统的稳定性和控制性能。

9.系统辨识基本要素有哪几个方面

10.标准最小二乘的参数辨识准则函数

11.什么是数据饱和现象

12.简述基于梯度学习的参数辨识方法和最小二乘参数辨识方法的异同
基于梯度学习的参数辨识方法和最小二乘参数辨识方法都是常用的参数辨识方法。它们的异同点如下：

相同点：

都是从系统的输入输出数据中学习参数的方法。
都需要定义系统的模型结构和误差函数。
都可以用于线性和非线性系统的参数辨识。
不同点：

梯度学习方法的目标是最小化误差函数，通过梯度下降或者随机梯度下降等优化算法更新参数；而最小二乘方法的目标是最小化残差平方和，通过求解线性方程组或者奇异值分解等方法求解参数。
梯度学习方法对误差函数的要求较高，通常需要连续可导的误差函数，并且需要在每次迭代中计算梯度，计算量较大；而最小二乘方法不需要求导，计算量较小，但是对数据的噪声和异常值比较敏感。
梯度学习方法在处理大规模数据时具有优势，能够进行在线学习，每个样本只需计算一次梯度；而最小二乘方法需要一次性处理全部数据，计算量较大。
梯度学习方法通常采用的是迭代更新的方式，需要设置学习率等参数，并且容易陷入局部最优解；而最小二乘方法通常具有解析解，计算结果可靠且唯一。
13.简述什么是模糊非线性模型
模糊非线性模型是一类既包含模糊逻辑成分，又包含非线性成分的动态系统模型。与传统的非线性模型相比，模糊非线性模型更能够处理模糊性和不确定性，更适用于复杂的非线性系统建模和控制问题。

模糊非线性模型通常采用模糊集合理论描述输入输出之间的模糊关系，利用模糊推理方法处理模糊信息，同时采用非线性函数来描述系统的动态行为。这种模型不仅能够模拟和预测系统的动态行为，还能够处理模糊和不确定的输入输出数据，更能够满足复杂系统的实际应用需求。

具体而言，模糊非线性模型通常由以下两部分组成：

模糊集合描述：通过模糊集合理论描述系统输入输出之间的模糊关系，通常包括输入变量的模糊化、输出变量的反模糊化等过程。

非线性函数描述：通过非线性函数描述系统的动态行为，通常采用一些常用的非线性函数，如sigmoid函数、高斯函数等。

综合以上两部分，模糊非线性模型能够通过输入变量的模糊描述和非线性函数的动态描述，来预测输出变量的值。而在实际应用中，通过对系统的输入输出数据进行建模，可以使用参数辨识方法，如最小二乘法、递推最小二乘法等，来确定模型的参数
14.简述你掌握的自适应控制方法，这些方法的基本思想和优缺点
我掌握的自适应控制方法包括以下几种：

自适应PID控制（Adaptive PID Control）：该方法是在传统PID控制基础上加入自适应参数调整算法，使得PID参数可以根据系统的实时状态自适应调整，以实现更好的控制效果。其基本思想是根据反馈误差调整PID参数，优点是简单易用、适用范围广，但在复杂系统中效果可能不佳。

模型参考自适应控制（Model Reference Adaptive Control，MRAC）：该方法是一种基于模型参考的自适应控制方法，通过将系统模型与参考模型进行比较，调整控制器参数以实现目标控制效果。其基本思想是通过在线辨识模型参数，并用模型参数来调整控制器，实现自适应控制。优点是能够适应不确定性和时变性，但需要精确的系统模型和参考模型，且在线参数辨识可能带来计算负担。

直接自适应控制（Direct Adaptive Control，DAC）：该方法是一种无需先验知识、直接在控制器中进行在线参数辨识和参数调整的自适应控制方法。其基本思想是通过在线辨识系统的参数，并通过适当的反馈算法调整控制器参数以实现目标控制效果。优点是无需先验知识，但需要快速响应的参数调整策略。

模型参考自整定控制（Model Reference Adaptive Tuning Control，MRATC）：该方法是一种基于模型参考的自整定控制方法，通过在线辨识模型参数并自适应调整控制器增益来实现控制。与MRAC不同，MRATC不需要参考模型，而是将模型参数和控制器增益作为调整对象。优点是相对于MRAC更加简单，但可能对模型的精度要求更高。

这些自适应控制方法的基本思想是通过在控制器中引入自适应算法，实现对系统的自适应控制。这些方法各有优缺点，其中自适应PID控制方法简单易用，但可能在复杂系统中效果不佳；MRAC和DAC能够适应不确定性和时变性，但需要较为精确的系统模型和参数辨识方法；MRATC相对于MRAC更加简单，但可能对模型的精度要求更高。
15.LPV系统控制律设计方法和传统增益调度控制有什么异同
LPV系统的控制律设计可以使用许多方法，其中最常用的是基于LPV系统局部线性化模型的控制设计方法。具体来说，这种方法将LPV系统在不同操作点进行局部线性化，并设计一组线性控制器来控制这些局部线性化模型。然后，使用某种规则（如线性插值或凸组合）将这些局部线性控制器组合成一个全局的LPV控制器，以控制整个LPV系统。这种方法通常称为线性参数定标（LPT）方法。

与传统的增益调度控制相比，LPV控制的优点在于：

适应性：LPV控制器可以根据LPV系统在不同操作点的动态特性进行自适应调节。这使得LPV控制器具有更好的适应性和鲁棒性。

性能：由于LPV控制器可以充分利用LPV系统的动态特性进行控制，因此通常可以获得更好的控制性能。

可扩展性：LPV控制器的设计方法可以扩展到多变量系统和非线性系统，从而提高了其适用范围。

然而，与增益调度控制相比，LPV控制也存在一些限制和挑战，例如：

计算复杂性：LPV控制器的设计方法通常需要求解一组线性矩阵不等式（LMI），计算复杂度较高。

参数变化的要求：LPV控制器的设计依赖于LPV系统的参数化表示，因此需要精确地估计LPV系统的参数变化。如果估计不准确，控制性能可能会下降。

实现难度：LPV控制器的实现需要对LPV系统进行实时参数估计和控制计算，这对计算和硬件要求提出了更高的要求。

因此，在选择LPV控制方法时需要综合考虑系统特性和控制需求，以及计算和实现的难易程度。
16.什么是LPV，LPV和普通时变系统有什么区别
LPV（Linear Parameter-Varying）是一类线性时变系统，其动态行为与其时间变化的参数有关。LPV系统通常可以表示为一组线性系统，每个系统的动态矩阵（或状态空间模型）随时间变化而改变，而变化的方式由一组外部参数（例如，时间、温度、速度等）所决定。

与普通时变系统相比，LPV系统具有以下区别：

参数化表示：LPV系统采用参数化表示，即系统的动态矩阵随外部参数变化而变化。这使得LPV系统可以更灵活地适应外部环境的变化。

线性：LPV系统是线性的，即它可以用线性的代数方法进行分析和设计。这使得LPV系统具有更广泛的应用领域和更强的可控性。

局部线性化：LPV系统可以通过局部线性化的方式进行分析和控制，即将系统在不同的操作点进行局部线性化，得到一组线性系统，并通过这些线性系统的交互行为来描述整个系统的动态行为。这种方法可以更精确地描述非线性系统的动态行为。

总之，LPV系统是一类具有参数化表示、线性特性和局部线性化分析方法的线性时变系统。它具有更广泛的应用领域和更强的可控性，因此在控制系统设计和工程实践中得到了广泛的应用。
17.什么是TS模糊模型？TS模糊模型的平衡点的稳定性和局部线性平衡点的稳定性有什么关系
TS模糊模型是一种常用的模糊系统模型，其名称来源于Takagi和Sugeno两位学者。该模型使用一组线性局部模型来描述非线性系统，每个局部模型由一对条件部和结论部组成，其中条件部由一组模糊变量的谓词表达式组成，而结论部则是一个线性函数。

对于一个TS模糊模型，其平衡点的稳定性与局部线性平衡点的稳定性有密切的关系。具体来说，TS模糊模型的平衡点可以通过求解各个局部线性模型的平衡点得到，每个局部线性模型的平衡点也称为其局部平衡点。

如果每个局部线性模型的局部平衡点都是渐近稳定的，那么TS模糊模型的平衡点就是全局渐近稳定的。这是因为当系统偏离平衡点时，系统会逐渐被局部线性模型所描述，从而逐渐回到其局部平衡点。由于每个局部平衡点都是渐近稳定的，因此整个系统最终会收敛到TS模糊模型的平衡点处。

然而，如果存在一个局部线性模型的局部平衡点是不稳定的，那么TS模糊模型的平衡点就不一定是全局渐近稳定的。因为当系统偏离平衡点时，如果进入了该不稳定局部模型的区域，系统可能会发生震荡或发散现象，从而导致整个系统失去稳定性。

因此，对于TS模糊模型的稳定性分析，需要对每个局部线性模型的局部平衡点进行分析，以确定其稳定性。只有当所有局部线性模型的局部平衡点都是渐近稳定的时，TS模糊模型的平衡点才是全局渐近稳定的。
18.假设每个局部线性系统对应的系统矩阵A是Hurwitz的，请问这个模糊系统平衡点0是不是全局渐近稳定的
如果每个局部线性系统对应的系统矩阵A是Hurwitz的，那么每个局部系统的平衡点都是局部渐近稳定的。然而，对于一个模糊系统，其整体行为取决于所有局部系统的交互作用。

在一般情况下，即使每个局部系统都是局部渐近稳定的，模糊系统的整体行为仍然可能不是全局渐近稳定的。这是因为模糊系统的交互作用可能会导致全局系统不稳定的行为，例如震荡或者混沌现象。

因此，不能直接从每个局部系统的Hurwitz性质推断出整个模糊系统的全局稳定性。要分析模糊系统的全局稳定性，需要进行进一步的分析，例如利用Lyapunov稳定性理论或者其他系统稳定性分析方法。