23、输出误差方法在系统识别中的应用

输出误差方法在系统识别中的应用

1. 输出误差方法的自然选择

在系统识别中，选择一个合适的准则（损失函数）至关重要。传统的最小二乘法（LS）虽然易于使用且理解，但它并不是一个自然的选择，尤其是在控制与仿真中。输出误差方法作为一种替代方案，通过最小化输出误差损失函数来估计模型参数，更贴近实际应用需求。

输出误差方法的动机在于它更接近控制与仿真中模型应用的要求。输出误差定义为模型输出与实际输出之间的差异。假设我们有一个过程模型：
[ y(t) = G(q)u(t) + v(t) ]

其中 ( G(q) ) 是传递算子，( u(t) ) 是输入，( v(t) ) 是输出干扰。给定输入/输出数据序列：
[ {u(t), y(t)}_{t=1}^N ]

并假设过程阶数 ( n ) 是已知的，输出误差方法通过最小化损失函数来估计参数：
[ V_{OE}(\theta) = \sum_{t=1}^{N+n} \left[y(t) - G(q,\theta)u(t)\right]^2 ]

输出误差方法的框图如图 5.2.1 所示。通过该框图可以更直观地理解输出误差的计算过程。

graph LR;
    A[实际输出 y(t)] -->|减法器| B[输出误差 e(t)];
    C[模型输出 G(q,θ)u(t)] -->|减法器| B;
    B -->|平方和| D[损失函数 V_OE];

2. 输出误差方法的理论分析

在开环数据的情况下，输出误差方法具有