signal-processing - 如何评估用于系统识别的正弦扫描（啁啾）信号

Question

（对于快速阅读者）

问题：我是否正确，分析 CHIRP 的频谱分析方法对参数估计/模型识别不是那么有益）

[编辑]

我的系统是开环的，1 个输入（方向盘角度）和 2 个输出（y 加速度和 yaw_Rate）。为了找到车辆特性，我想将线性传递函数拟合到我的数据（自行车模型）。我目前的方法是“光谱分析法”：使用测试数据来估计 FRF 并因此估计传递函数，因为：

$H = S_yu(\omega) / S_uu (w) --> H = Y(w)/U(w)$

对于虚拟数据（由啁啾方向盘角度激发的 2 个传递函数），这非常有效：重新拟合模型的准确度为 99.98%。对于真实的测试数据，真实的车辆。这远非正确。即使我平均了 11 次运行的数据。因此我的困惑/问题。

[将在今晚上传测试数据的图像以进行澄清]

背景

我正在做一个项目，我必须对汽车进行参数识别。

在基于模拟器的补偿跟踪实验中，我会用多正弦信号激发“系统”（读人），并使用工具变量方法（和函数拟合）来执行系统识别（傅里叶变换输入和输出；并且只评估激发频率）。

然而，对于人类驾驶员来说，这在车内可能有点困难。提供正弦扫描（或 CHIRP）更容易。

不幸的是，我认为该输入信号与直接频域分析不兼容，因为每个频率仅在特定时间范围内被激发，并且 Foerier 变换在整个采样时间内假定谐波振荡。我检查了一些书（系统识别：频域方法，系统识别：介绍和），但似乎无法掌握如何使用 CHIRP 信号来估计频率响应函数（因此也转移功能）。

score 1 · Accepted Answer

简短回答（对于快速阅读者）：

这取决于你想做什么。是的，与啁啾相比，多正弦信号可以具有有利的特性。

您询问啁啾信号及其对系统识别/参数估计的适用性。因此，我假设您专注于频域识别，因此我不对时域发表评论。

如果您阅读 Pintelon/Schoukens 的“系统识别：频域方法”一书（尝试从 2012 年获得第二版），您会发现（参见第 2 章）作者更喜欢周期性信号而不是非周期性信号（如啁啾）（它们这样做是有充分理由的，因为周期性信号可以避免泄漏等重大错误）。

但是，如果您的系统不能被周期性信号激发（无论出于何种原因），啁啾信号可能是一个很好的激发信号。在航空界，试飞员甚至被教导要发出良好的啁啾信号。对于啁啾，您的数据处理可能会有所不同（请查看 Pintelon/Schokens 书中的第 7 章）。

最后，只有一件事可以产生良好的激励信号 - 即它给出了所需的估计结果。如果啁啾适合您的应用程序：与他们一起去！

不幸的是，我认为该输入信号与直接频域分析不兼容，因为每个频率仅在特定时间范围内被激发，并且 Foerier 变换在整个采样时间内假定谐波振荡。

我不明白你的这一段是什么意思。你能更详细地描述你的问题吗？

PS：你没有写太多关于你的系统的文章。它是静态的还是动态的？线性/非线性？开环还是闭环？SISO/MIMO？您是否仅限于频域 ID？你能重复实验吗？当您决定激发时，应牢记每个主题。