Question

系统辨识的检验

Answer 1

通过参数估计得到的模型，虽然按某种准则在选定的模型类中是最好的，但是并不一定能达到建模的目的，所以还必须进行适用性检验。这是辨识过程的重要一环，只有通过适用性检验的模型才是最终的模型。
造成模型不适用主要有三个方面的原因:模型类(模型的结构)选择不当;实验数据误差过大或由于实验条件限制，数据的代表性太差；辨识算法存在问题（例如没有考虑必要的约束）。
模型是否适用与建模的目的紧密相关，所以很难得出统一的检验方法，而是要根据问题的性质采取不同的方法。一般来说，适用性检验在得到模型后进行，但也可以在辨识过程的各个阶段进行。例如，考察模型的结构可辨识性本身就是一种适用性检验，不可辨识的模型当然是不适用的。 适用性检验的方法主要有两类：利用先验知识检验和利用数据检验。利用先验知识是适用性检验的一条重要途径。有一些模型从数据的拟合上看不出问题，但是根据对模型已有的知识却可以断定模型是否适用。例如辨识一个化学反应动力学模型：已经知道反应物浓度增大并不抑制反应，如果参数估计的结果反应系数是负的，就可断定这是不合理的。又如辨识生理动力学模型：如果参数估计得到的参数值已超过生理学已知的可能范围，这样的模型也是不适用的。适用性检验的另一条途径是，利用数据在同一模型类中或在不同的模型类中进行比较。在得到模型后常常用一组不同于辨识时用的数据去检验模型的精度。如果检验的结果有过大的误差，则可能存在两个问题：辨识用的数据缺乏代表性或所选的模型类不合适。在不同类的模型中进行比较所用的方法主要是统计检验（如F检验、似然比检验）或者是在拟合误差的基础上加上评价模型的惩罚项（如赤池的AIC准则）。