RLS算法的改进方法.docVIP

RLS算法的改进方法 李天舒 摘要：递归最小二乘（RLS）算法已被广泛应用于自适应鉴定，预测，过滤等诸多领域。本文提出在标准递推公式中增加一个二阶微分项，创造一个新的方法提高系统的跟踪能力。测试结果表明，这样可以大大提高RLS算法的收敛能力。 关键词：自适应模型算法，RLS，跟踪能力； 1 引言 自适应模型算法已成功适用于各个领域，如通信，雷达，声纳和生物医学工程，这是因为他们可以跟踪随时间变化的系统统计参数，以及在未知环境中很好的工作。自适应模型算法大致可以分为三类： 1基于维纳滤波理论的算法，均方（LMS）算法。 2基于卡尔曼滤波理论的算法。 3 递归最小二乘算法（RLS）。 其中，RLS算法优于其他二种算法，并应用于许多领域。它具有很好最佳线性无偏估计当测量噪声是零均值白噪声时。他们也可以迅速收敛到最优解。多种形式的RLS算法已经被提出，例如 Park和Jun[5]的具有快速跟踪能力的自扰动RlS算法，Jiang和Cook的具有高抗干扰能力的快速跟踪参数的RlS算法，基于卡尔曼滤波，Eom和Park的RLS算法具有快速跟踪能力和抗噪声干扰能力 [7]。 通过在标准递推公式增加一个中二阶微分项，本文中提出一种新的提高跟踪能力的方法。测试表明新的方法能极大的提高RLS算法的收敛能力。 2 标准的RLS算法 设模型的输入，估计输出和期望输出在时间t时刻分别为x(t)，和y(t)。所以y(t)通过下面的式子给出： （1） 其中，N是模型的系列，n(t)是零均值方差为的白噪声，是模型的期望参数向量。 标准RLS算法可以表述为： （2） （3） （4） （5） 其中e(t)为误差，是在t时刻估计参数向量，是卡尔曼增益向量，P（t）是方差矩阵的逆，它的初始值是（很小的正数），是遗忘因子。假设： 1）x(t)是一个零均值的固定的白高斯向量，自相关矩阵。 2）x(t)和n(t)是独立统计。 3）P(t)独立于x(t)。 定义参数误差向量V（t）为： （6） V(t)假设是独立于x(t)的。根据方程（2）、（5）、（6），我们得到： （7） 通过对方程两边计算并且用假设（3），我们得到： （8） 其中： （9） （10） 由于，因此使小于1。这意味着RLS参数误差向量渐近零。 另一方面，乘以方程（7），在方程两边去方差，参数的误差矢量V（t）的相关矩阵，C（t）是可以递归描述为： （11） 其中C(t)是V（t）的自相关矩阵。 根据Ref[8], 向量dc，C(t)可以被描述为： （12） 其中系统矩阵H(t)在下面给出： （13） 并且其他的式子在方程（12）中通过下式给出： （14） （15） （16） （17） 对于大的t已经证明,最大的特征根。因此方程（12）收敛，并产生一个稳定状态的解，此外，RLS算法在均方意义收敛。 3改进的RLS算法 设D是差分算子，再由式（5），它可以知道，参数向量增量，是： （18） 因此的变化仅仅受到影响。为了提高RLS的跟着能力，的一阶微分，i.e. 趋于，加到方程(5)上，它可以得出：