第14讲——第6章.pptVIP

系统辨识基础 第14讲 第6章 最小二乘参数辨识方法（II） 6.1 最小二乘递推算法的几种变形 引言 最小二乘法是一种最基本的辨识算法，但它具有两方面的缺陷： 1 当模型噪声是有色噪声时，最小二乘参数估计不是无偏、一致估计。 2 随着数据的增长，最小二乘法将出现所谓的“数据饱和”现象。这是由于增益矩阵K(k)随着k的增加将逐渐趋近于零，以致递推算法慢慢失去修正能力。 6.1 最小二乘递推算法的几种变形 最小二乘递推算法有多种不同的变形，常用的有六种： ① 基于数据所含的信息内容不同，对数据进行有选择性的加权； ② 在认为新近的数据更有价值的假设下，逐步丢弃过去的数据； ③ 只用有限长度的数据； ④ 加权方式既考虑平均特性又考虑跟踪能力； ⑤ 在不同的时刻，重调协方差阵P(k)； ⑥ 设法防止协方差阵P(k)趋于零； 6.1.1 选择性加权最小二乘 把加权最小二乘递推算法改写成 算法中引进加权因子，其目的是便于考虑观测数据的可信度．选择不同的加权方式对算法的性质会有影响，下面是几种特殊的选择。 6.1.1 选择性加权最小二乘 ① 一种有趣的情况是 取得很大，在极限情况下，算法就退化成正交投影算法。也就是说，当选择 构成了正交投影算法 算法初始值取 及 ，且当 时，令 。 6.1.1 选择性加权最小二乘 ② 第①种加权因子的选择显然是一种极端情况，算法的鲁棒性比较差。为了使算法具有较好的鲁棒性，可把第①种加权因子的选择修改为 其中 是指定的阀值。这时算法对数据作了不同的加权，但不排斥任何数据． 6.1.1 选择性加权最小二乘 ③ 按下式选择加权因子，意味着它是过去数据信息量的一种度量 6.1.1 选择性加权最小二乘 ④ 如果由噪声、建模不准确等因素引起的误差上界已知，则可按下式选择加权因子 6.1.2 遗忘因子法 1 一次完成算法 (1) 考虑模型 式中u(k)和z(k) 分别为模型输入和输出变量，v(k)是零均值的白噪声， 和 为迟延算子多项式，写成 6.1.2 遗忘因子法 1 一次完成算法 (2) 假定模型阶次 和 为已知，且有 ，也可设 ,并定义 6.1.2 遗忘因子法 1 一次完成算法 (3) 将模型写成最小二乘格式 对于 (L为数据长度)，可以构成如下线性方程组 式中数据与之前的不同，加上了衰减因子 ： 6.1.2 遗忘因子法 1 一次完成算法 (4) 则模型可以写成 其中 仍为白噪声，故利用之前的公式可得遗忘因子法的一次完成算法： 6.1.2 遗忘因子法 2 递推算法 将一次完成算法写成： 其中 6.1.2 遗忘因子法 2 递推算法 定义： 6.1.2 遗忘因子法 2 递推算法 其中： 6.1.2 遗忘因子法 2 递推算法 则 令： 6.1.2 遗忘因子法 2 递推算法 则 或写成 6.1.2 遗忘因子法 2 递推算法 同时利用（6.4）和（6.7）式，可以得到： 6.1.2 遗忘因子法 2 递推算法 令增益矩阵： 则（6.8）式可以写成： 进一步把（6.4）式写成： 6.1.2 遗忘因子法 2 递推算法 利用矩阵反演公式，可得： 将上式代入（6.9）式中，整理后得到： 6.1.2 遗忘因子法 2 递推算法 综上，遗忘因子法的递推算法（简称RFF）可归纳为： 6.1.2 遗忘因子法 综合起来看，遗忘因子算法是通过对数据加上遗忘因子的办法来降低老数据的信息量，为补充新数据的信息创造条件。 RFF和RLS算法基本上一致的，初始状态的选择也可以采取相同的公式。 如果遗忘因子 ，算法退化成普通最小二乘法。 6.1.2 遗忘因子法 遗忘因子 可按下面的原则取值： ① 若要求 步后数据衰减至,则 ； ② 取作时变因子 ，其中 。 遗忘因子 的取值大小对算法的性能会产生直接的影响。 值增加时，算法的跟踪能力下降，但算法的鲁棒性增强； 值减少时，算法的跟踪能力增强，但算法的鲁棒性下降，对噪声更显得敏感。 6.1.2 遗忘因子法 遗忘因子法和加权最小二乘算法主要的差别： ① 加权方式不同．加权最小二乘法各时刻权重是不相关的，也不随时间变化；遗忘因子法各时