matlab基于最小二乘全局化算法遗传算法的参数识别.docVIP

最小二乘法： %递推公式，更新p0=p2;for n=2:N-1%%递推最小二乘法? ???K0=p0*X(n,:)*inv(1+X(n,:)*p0*X(n,:));%计算Ｋ? ???Theta_abs=Theta_abs+K0*(Y(n)-X(n,:)*Theta_abs);%计算估计值Theta；? ???p3=p0-K0*X(n,:)*p0;%计算P? ???p0=p3;? ?? ???%误差平方和最小? ? Y1=X(n,:)*Theta_abs;%递推值? ? J=(Y(n,:)-Y1)*(Y(n,:)-Y1)? ? if (Jerr)%设定平方误差最小，跳出循环? ?? ???break;? ? end;end 引进后移算子 假定在初始条件0时z变换得到 ARX模型有： ；为均值为0的噪声项 上式可以改写为 上式改写为最小二乘格式（3） 对于（3）式的次观测构成一个线性方程组即 . 取极小化准则函数，极小化，求得参数的估计值， 表示为了确定使准则最小的条件，将该式对各参数求导，并令其结果等于零： ，只要矩阵是满秩的，则是正定的，使准则为极小的条件得到满足， 最小二乘估计的递推算法（RLS） 最小二乘法，不仅占用大量内存，而且不适合于在线辨识，为了解决这个问题，把它转化为递推算法： 若令,则 加权递推最小二乘（RWLS）： e(k)为有色噪声，v(k)为白噪声。 。取， 当噪声为有色噪声时，采用增广最小二乘法：其思路采用CARMA模型。在实际应用中噪声v(k)有两种形式： 1 matlab最小二乘法拟合 [a,Jm]=lsqcurvefit(fun,a0,x,y);fun不支持句柄函数 a0为最优化的初始值，fun为数据原型函数。 x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub)； lb ≤ x ≤ ub [x,norm,res,ef,out,lam,jac]=lsqcurvefit(@F,x0,t,y,v1,v2,opt,P1,P2,...) 其中输出变量的含义为： 1） x ： 最优解 2） norm ： 误差的平方和 3）res: 误差向量 4） ef ： 程序结束时的状态指示： · 0：收敛 · 0：函数调用次数或迭代次数达到最大值（该值在options中指定） · 0：不收敛 5) out: 包含以下数据的一个结构变量 · funcCount 函数调用次数 · iterations 实际迭代次数 · cgiterations 实际PCG迭代次数（大规模计算用） · algorithm 实际使用的算法 · stepsize 最后迭代步长（中等规模计算用） · firstorderopt 一阶最优条件满足的情况（大规模计算用） 6) lam：上下界所对应的Lagrange乘子 7) jac：结果（x点）处的雅可比矩阵 输入参数 其中输入变量的含义为： · x0为初始解（缺省时程序自动取x0=0） · t,y: 拟合数据 · v1,v2: · options：包含算法控制参数的结构LineSearchType 线搜索方法 (‘cubicpoly’,’quadcubic’(缺省值)) opt=optimset(oldopts,newopts) 可以设定的参数比较多，对lsqnonlin和lsqcurvefit，常用的有以下一些参数： Diagnostics 是否显示诊断信息（ on 或off） Display 显示信息的级别（off ， iter ， final，notify） LargeScale 是否采用大规模算法（ on 或off）缺省值为on MaxIter 最大迭代次数 TolFun 函数计算的误差限 TolX 决策变量的误差限 Jacobian 目标函数是否采用分析Jacobi矩阵（on ，off） MaxFunEvals 目标函数最大调用次数 LevenbergMarquardt 搜索方向选用LM法(‘on’), GN法(‘off’,缺省值) LineSearchType 线搜索方法(‘cubicpoly’,’quadcubic’(缺省值)) LargeScale: [ on | off ] LevenbergMarquardt: [ {on} | off ] 例子1用matlab实现对 1 首先编写m文件 function f =lsq(x,xdata) f=x(1)*sin(xdata)+0.5*x(2)*sin(2*xdata)./(1-x(2)^2*sin(xdata).^2).^0.5 2 利用lsqcurvefit函数调用m文件o=[0:0.01*pi:2*pi]; xdata=o; ydata=m*sin(o)+0.5*