动力系统建模与仿真-讲稿四.pptVIP

* % 模型检验 e = resid (Model, data, Corr); figure(4); plot(e); grid; 程序运行结果如下： 原始数据波形图： * 辨识对象输入输出数据波形图 * 运行Compare()函数的结果 * 运行模型检验相关函数的结果 * Process model with transfer function 1+Tz*s G(s) = K * ---------- 1+Tp1*s with K = 1.3495 Tp1 = 3.3212 Tz = -2.1086 在command window 输入Model可得辨识模型为： * 4.2 应用MATLAB 遗传算法工具箱的辨识建模 前面已经叙述，遗传算法是一种建立在自然选择原理和自然遗传机制上的迭代式自适应概率性搜索方法，可广泛用于求解工程上的最优化问题，也可以方便地用于系统辨识问题，如图图3-5所示。用遗传算法实现辨识关键在于遗传算法自身的实现及合理的算法参数选择，如种群大小M、遗传进化最大进化代数N、交叉操作概率Pc、变异概率Pm等。MATLAB的遗传算法工具箱为使用者提供了强有力的工具，再配合MATLAB的仿真工具，如仿真函数sim()，predict()函数，以及SIMULINK工具等，可方便地解决水轮机调节系统的参数辨识问题。 1.遗传算法的主函数GA的基本调用方法 MATLAB的遗传算法工具箱提供的丰富的命令函数[60]，用于解决工程上各类最优化问题。但其中功能最丰富的当属ga()函数。 * 类似于最小二乘中的pem()函数，如无特殊需求，仅调用ga()函数便可实现遗传算法所需进行的所有操作，并返回所需寻优参数。 ga()函数的调用方法非常简单，其基本调用格式为： [x fval] = ga(@fitnessfun, nvars, options); 其中输入参数包括： @fitnessfun — 适配值计算函数的句柄，由符号@+适配值计算函数名fitnessfun(可任意定义)构成。通常fitnessfun是一个根据具体问题自定义的函数，对于系统辨识而言，所辨识模型的仿真、残差的计算、目标函数计算、适配值计算均在此函数中完成； nvars —参与寻优的独立参数个数，对于辨识而言，就是待辨识参数的个数； options —定义遗传算法各种选择的数据结构，如果无此参数则ga()使用默认选择。 * 输出参数包括： fval —寻优完成后返回的最终适配值； x —向量，nvars个元素值表示最终的寻优结果，对于参数辨识而言，就是所获得的参数估计。 2. 获取更多的返回值 ga() 函数也可以使用下述格式调用，以获取更多的函数返回信息： [x fval exitflag output population scores] = ga(@fitnessfcn, nvars)； exitflag — 整数值，表示遗传算法函数退出的原因； output —包含遗传算法递推过程中每一代表现特性的数据结构； population —传算法函数退出时的最终种群； scores — 遗传算法应用的评价分数； * 3. 遗传算法的参数设置 前面已经提及，如果需要改变遗传算法各种相关的选择参数，应在输入参数中包括options数据结构。options 的创建应使用函数 options = gaoptimset(@ga)； 其中，@ga表示生成将由遗传算法使用的数据结构。options是返回的是系统给定的默认数据结构。其包含的内容如下： PopulationType: ‘doubleVector’ % 输入到适配值计算 %函数的数据类型 PopInitRange: [2x1 double] % 种群中个体的初始取值范 % 围，向量或矩阵 PopulationSize: 20 % 种群大小 EliteCount: 2 % 保证无任何改变而进入下 % 一代的个体个