（定稿）万吨超细活性碳酸钙项目可行性商业策划书4（喜欢就下吧）

极大似然法可以应用于参数非线性的回归模型，而最小二乘法般不可以应用于参数非线性的回归模型。

梯度校正法的个显著优点就是计算量小计算简单，在定条件下也可用于在线实时辨识，但是当过程的输入输出含有噪声时，它要求必须预先知道噪声的统计特性，这将大大限制了梯度校正法的使用范围。

三种方法的参数估计量的性质存在明显的差异。

参数估计量的统计特性包括无偏性致性和有效性。

般，通过参数估计量的统计特性就可以衡量它的优良度和可信度，进而确认相应辨识算法的实用价值。

最小二乘估计量是最优线性无偏估计量，当模型噪声为白噪声时，利用最小二乘法可获得无偏估计量对高阶模型来说，性能明显优于其它方法，而且具有比较可靠的收敛性。

渐进性质是极大似然估计量的普遍特性，然而无偏性却不定是所有极大似然估计量都具有的性质，即渐进无偏估计量不定是无偏估计量。

梯度校正法与最小二乘法相比，虽然计算量小，但算法收敛速度较慢除此之外，其对噪声的干扰比较敏感，参数估计波动较大。

梯度校正法中，权矩阵的选至关重要。

输入输出数据向量的各分量直接影响参数估计值，而权矩阵的作用则是用来控制各输入输出分量对参数估计值的影响程度。

只有当权矩阵满足定条件时，梯度校正法的参数估计值才能保证是大范围致渐近收敛的，如果有个条件不满足，所的参数估计值就不是渐近收敛的。

除此之外，权矩阵选择的最佳与否将直接影响参数估计值收敛于真值的快慢。

因此，在应用梯度校正法辨识模型参数时，要实现辨识参数的无偏致有效性将是很复杂的，必须考虑权矩阵的选取条件。

中北大学届毕业论文第页共页综上所述，最小二乘法最简单实用，即可用于动态系统静态系统线性系统和非线性系统的参数估计，也可用于离线和在线估计。

其递推算法收敛可靠，并且当方程误差为白噪声时，可得到无偏致和有效的估计，从而得到广泛应用。

通过对三种辨识方法的比较，考虑到辨识的快速性辨识精度及准确性等方面，本课题选用最小二乘法作为本课题背景模型参数的辨识研究方法。

最小二乘法在系统辨识中的应用系统辨识是通过建立动态系统模型，在模型输入输出数据的基础上，运用辨识方法对模型参数进行辨识，从而得到个与所观测的系统在实际特性上等价的系统。

应用最小二乘法对系统模型参数进行辨识的方法有离线辨识和在线辨识两种。

离线辨识是在采集到系统模型所需全部输入输出数据后，用最小二乘法对数据进行集中处理，从而获得模型参数的估计值而在线辨识是种在系统运行过程中进行的递推辨识方法，所应用的数据是实时采集的系统输入输出数据，应用递推算法对参数估计值进行不断修正，以取得更为准确的参数估计值由于在线辨识方法具有实时采集系统输入输出数据，实时辨识模型参数，且占据计算机存储量小的优点，因此与离线辨识相比，在线辨识方法得到了更为广泛的应用。

伺服控制系统参数辨识方法的设计我们知道最小二乘法采用的模型为，因而在本文的仿真实验中要将将结束，美丽的中北大学给了我机会学习更多知识。

老师的谆谆教导，父母的殷切期望，同学的互相勉励给我留下了美好而深刻的回忆。

在这四年里不仅学习到了先进的专业知识，增强了自身专业素质的修养，更为重要的是曾经在自己的学习和生活中给予帮助的老师和同学，正是由于这些无私的帮助以及学校和老师提供的良好的学习环境才使得我能够顺利的毕业。

本论文从选题到完成，离不开导师侯文老师的悉心指导，在整个论文的分析研究及撰写的过程中，侯老师指引着我前进的方向，使我对毕业设计所涉及的领域有了较全面的认识和了解。

侯老师学识之渊博洞察力之敏锐使我获益匪浅他的严谨治学态度和高度工作责任感是我今后学习和工作的榜样。

是我生中最宝贵的财富。

在这里也要感谢我的家人，他们在物质和精神上给了我莫大的支持。

感谢我们班的所有同学在学习和生活中给予我的帮助，使我度过了难忘的四年大学生活，顺利完成学业。

再次感谢支持和帮助过我的老师亲人和朋友，度上依赖于结构已知的系统数学模型，而且现代控制理论是严格建立在被控对象的数学模型的前提下的，控制算法对被控对象的精度要求很高，没有精确的模型要实现种先进的控制方案是非常困难的。

因此，为了提高控制能力，必须改善系统数学模型的精度。

这样，就要对系统数学模型的各个参数进行辨识。

下面就导弹舵机系统的数学模型的建立问题及模型参数辨识方案设计问题研究如下。

中北大学届毕业论文第页共页直流电动机是是舵机控制系统的关键组成部分，其原理是将电信号转变成机械运动，它的运动方程可由如下四个方程表达式式中，为电枢电压，为电枢电流，为电枢总电感，为电枢总电阻，为电机反电势，为电机转动的角度，为电机转矩，为折算电机轴的负载转矩，为加速转矩，为折算电机轴的总转动惯量，为反电势系数，为转矩系数。

数学推导后，假设舵机空载条件下，电机的传递函数为数学模型的参数辨识方案设计三种辨识方法的比较在研究两个变量之间的关系时，可以用回归分析的方法进行分析。

当确定了描述两个变量之间的回归模型后，就可以选择辨识方法来估计模型中的参数，进而精确确立模型方程。

最小二乘法梯度校正法和极大似然法是模型参数辨识中三种重要的方法。

对于假设模型给定的前提下，三种辨识方法得到的参数估计值都具有很好的统计特性。

但这三种方法具有明显的差别，具体表现在下面几个方面三种方法所依据的基本数学原理不同。

最小二乘法依据最小二乘原理，它认为只要残差的平方值尽可能小，参数估计中北大学届毕业论文第页共页值就尽可能的接近实际值，它通过最小化误差的平方和来寻找最佳的函数数据匹配。

梯度校正法则要求沿着准则函数的最速下降方向来修正估计参数值，直到目标函数达到最小值为止。

极大似然法依据极大似然原理，它要求在待估参数条件下的观测数据的联合概率密度函数尽可能大，也就是要求似然函数达到最大值这意味着模型输出的概率分布将最大可能的逼近实际过程输出的概率分布。

那么，此时得到的参数值就是估计参数值。

三种方法所应用的广泛性不同。

最小二乘法是线性其中为内力分布不均匀及温度影响分项系数，可取截面面积截面惯性矩截面模量回转半径支撑长度长细比，查表得稳定因数钢管自重和施工荷载作用弯矩支撑安装偏心距偏心距产生弯矩杆件弯矩设计值所以最大应力满足材料强度要求，钢管受压稳定许用应力为满足受压稳定要求，详细情况见附录Ⅳ剖面斜撑施工图。

冠梁设计冠梁顶设计标高比实际地面标高平均低左右，截面尺寸为，冠梁采用混凝土现场浇筑，设计强度为，混凝土保护层厚度。

斜撑沿冠梁长度方向上均匀布置，水平方向的间距均取米。

根据基坑工程技术规程湖北省地方标准条规定，冠梁应按以支撑点为支座的多跨连续梁计算，根据建筑结构静力计算手册第二版将冠梁简化成五跨连续梁计算模型图。

图五跨连续梁计算模型图中，，钢管间距，悬臂，排桩对梁的反力，按经验系数法求弯矩和剪力见表和表。

表弯矩计算公式支座弯矩跨中弯矩表剪力计算公式左右左右左右按表中计算公式可得按表中计算公式得左右左右左右可知，，配置纵向受拉与受压钢筋，根据混凝土结构设计规范对冠梁进行配筋。

，满足适用条件纵筋受拉和受压区各选配级钢筋，，构造筋选配钢筋，详细配筋见附录Ⅲ钻孔灌注桩及冠梁配筋图。

同时满足最小配筋率要求，详细配筋见附录Ⅲ钻孔灌注桩及冠梁配筋图。

配置箍筋由对冠梁配置箍筋，所以仅需按构造配置箍筋箍筋选配级钢筋，满足最小配筋率要求，详细配筋见附录Ⅲ钻孔灌注桩及冠梁配筋图。

第四节基坑稳定性验算整体稳定性验算整体稳定性分析就是通过试算确定最危险的滑动面和最小的安全系数确定和判断基坑的稳定性。

通常再有多道内支撑和锚杆作用时，基坑不会发生整体稳定性破坏，般不予以稳定性验算。

由于本基坑只设道内撑，为确保基坑的整体稳定，应当进行稳定性验算，这里采用北京里正软件分析程序进行基坑的稳定性验算。

图基坑整体稳定性验算图计算方法瑞典条分法应力状态总应力法条分法中的土条宽度滑裂面数据圆弧半径圆心坐标圆心坐标整体稳定安全系数故基坑满足整体稳定性要求。

基坑底土抗隆起验算当开挖深度较大的软粘土基坑时，若挡墙背后的土柱重量超过挡墙前基坑底面以下地基土的承载力时，基坑的平衡状态会受到破坏，此时挡墙背后坑壁土可能产生向下移动使基坑顶部地面下沉，基坑底面土体隆起。

为保证基坑东侧支护段的隆起稳定，采用普朗德尔瑞斯纳地基承载力公式进行隆起验算。

将支护桩底平面作为承载力的基准面。

如图所示。

图抗隆起验算图普朗德尔公式，注安全系数取自建筑基坑工程技术规范冶金部，故基坑底部土体不会产生应用最广泛的参数辨识方法，工程上容易实现，鲁棒性强，可直接获得过程参数模型，并且对线性过程具有良好的辨识效果。

极大似然法可以应用于参数非线性的回归模型，而最小二乘法般不可以应用于参数非线性的回归模型。

梯度校正法的个显著优点就是计算量小计算简单，在定条件下也可用于在线实时辨识，但是当过程的输入输出含有噪声时，它要求必须预先知道噪声的统计特性，这将大大限制了梯度校正法的使用范围。

三种方法的参数估计量的性质存在明显的差异。

参数估计量的统计特性包括无偏性致性和有效性。

般，通过参数估计量的统计特性就可以衡量它的优良度和可信度，进而确认相应辨识算法的实用价值。

最小二乘估计量是最优线性无偏估计量，当模型噪声为白噪声时，利用最小二乘法可获得无偏估计量对高阶模型来说，性能明显优于其它方法，而且具有比较可靠的收敛性。

渐进性质是极大似然估计量的普遍特性，然而无偏性却不定是所有极大似然估计量都具有的性质，即渐进无偏估计量不定是无偏估计量。

梯度校正法与最小二乘法相比，虽然计算量小，但算法收敛速度较慢除此之外，其对噪声的干扰比较敏感，参数估计波动较大。

梯度校正法中，权矩阵的选至关重要。

输入输出数据向量的各分量直接影响参数估计值，而权矩阵的作用则是用来控制各输入输出分量对参数估计值的影响程度。

只有当权矩阵满足定条件时，梯度校正法的参数估计值才能保证是大范围致渐近收敛的，如果有个条件不满足，所的参数估计值就不是渐近收敛的。

除此之外，权矩阵选择的最佳与否将直接影响参数估计值收敛于真值的快慢。

因此，在应用梯度校正法辨识模型参数时，要实现辨识参数的无偏致有效性将是很复杂的，必须考虑权矩阵的选取条件。

中北大学届毕业论文第页共页综上所述，最小二乘法最简单实用，即可用于动态系统静态系统线性系统和非线性系统的参数估计，也可用于离线和在线估计。

其递推算法收敛可靠，并且当方程误差为白噪声时，可得到无偏致和有效的估计，从而得到广泛应用。

通过对三种辨识方法的比较，考虑到辨识的快速性辨识精度及准确性等方面，本课题选用最小二乘法作为本课题背景模型参数的辨识研究方法。

最小二乘法在系统辨识中的应用系统辨识是通过建立动态系统模型，在模型输入输出数据的基础上，运用辨识方法对模型参数进行辨识，从而得到个与所观测的系统在实际特性上等价的系统。

应用最小二乘法对系统模型参数进行辨识的方法有离线辨识和在线辨识两种。

离线辨识是在采集到系统模型所需全部输入输出数据后，用最小二乘法对数据进行集中处理，从而获得模型参数的估计值而在线辨识是种在系统运行过程中进行的递推辨识方法，所应用的数据是实时采集的系统输入输出数据，应用递推算法对参数估计值进行不断修正，以取得更为准确的参数估计值由于在线辨识方法具有实时采集系统输入输出数据，实时辨识模型参数，且占据计算机存储量小的优点，因此与离线辨识相比，在线辨识方法得到了更为广泛的应用。

伺服控制系统参数辨识方法的设计我们知道最小二乘法采用的模型为，因而在本文的仿真实验中要将