2015第讲法.pptVIP

第六讲 SA法(1/3) 第六讲 随机逼近法 （Stochastic Approximation, SA） 前面讨论的辨识算法均属于LS类的估计算法, 其优点是 收敛速度快, 精度高等, 但其计算量大且占用计算机系统的内存较多等严重影响了其在实时辨识和在自适应系统中的运用. 上述的这些方法的递推算法具有如下共同的结构 新的参数估计值=老的参数估计值+增益矩阵×新息 (1) 第六讲 SA法(2/3) 该递推辨识算法结构体现了递推辨识的思想和算法结构,是一切递推辨识算法所具有的共同的结构. 本讲讨论的随机逼近(Stochastic Approximation, SA)法同样具有式(1)所示的结构. 但其基本原理却完全不同于LS类方法,而来源于随机方程数值解理论中的SA原理. 第六讲 SA法(3/3) SA法的基本思想是沿着准则函数的负梯度方向,用最优化方法逐步修正模型参数估计值而得到模型参数的递推估计值. 其算法思想类似于数值优化方法中的最速下降法,其收敛速度亦类似于最速下降法,属1阶收敛(线性收敛). 而前面介绍的递推LS法其算法思想和收敛速度则类似于数值优化中的牛顿法,收敛速度属2阶收敛(平方收敛). 本讲讲授内容为: 随机逼近原理 SA参数估计法 SA算法仿真程序与算例 1 SA原理(1/5) 1 随机逼近原理 考虑如下回归模型的辨识问题 y(k)=??(k-1)?+