第15讲——第5章.pptVIP

系统辨识基础 第15讲 第5章 最小二乘参数辨识方法 5.8 最小二乘参数估计的递推算法 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 所谓递推算法就是根据新的观测数据实时修正参数估计值，随着时间的推移，逐步获得满意的辨识结果． ● 递推算法推导 在阶“持续激励”输入信号的作用下，加权最小二乘解为 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 所谓递推算法就是根据新的观测数据实时修正参数估计值，随着时间的推移，逐步获得满意的辨识结果． ● 递推算法推导 在阶“持续激励”输入信号的作用下，加权最小二乘解为 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 定义： 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 其中： 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 由之前的定义可得： 另有： 则 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 于是有： 令 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 利用等式（5.8.4）和（5.8.7），可得 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 引进增益矩阵 ，定义为 则（5.8.9）式可写成： 进一步，把（5.8.4）式写成： 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 为了避免矩阵求逆运算，利用矩阵反演公式： 可将（5.8.12）式演变成： 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 将（5.8.14）代入（5.8.10）式，整理后有： 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 综合等式（5.8.11）、（5.8.14）和（5.8.15）便得到加权最小二乘参数估计递推算法（RWLS） 5.8 最小二乘参数估计的递推算法 5.8.1 递推算法形式 上面给出的这两种加权最小二乘估计递推算法形式都是很常用的，其中一个 式多用于理论分析，另一个比较适用于在线计算。 如果取加权因子 ，则两种加权最小二乘递推算法就变成普通的最小二乘递推算法，记作RLS(Recursive Least Squares algorithm)。 5.8 最小二乘参数估计的递推算法 5.8.2 矩阵 的递推关系 5.8 最小二乘参数估计的递推算法 5.8.3 矩阵 的对称性 矩阵 是一个对称、非增的矩阵。为了保证计算过程中P(k)矩阵始终是对称的，算法的第3式可采用下面的计算式，以保证不破坏P(k)矩阵的对称性。 5.8 最小二乘参数估计的递推算法 5.8.4 矩阵 的误差传递 在计算过程中，增益矩阵K(k)可能产生误差，经过算法的迭代，造成误差传递和累积，最后将影响辨识算法的精度。为此，可采用下面的计算式，以截断误差的传递，保证辨识精度。 5.8 最小二乘参数估计的递推算法 5.8.5 初始值的选择 递推算法的初始值一般可取： 其中a 为充分大实数， 为充分小实向量，这是因为： 选择初始值时，必须使 都很小，接近于0。 5.8 最小二乘参数估计的递推算法 5.8.6 矩阵 的基本性质 矩阵P(k)具有如下一些基本性质： ① P(k)是对称、非奇异矩阵； ② ，其中 表示矩阵的最小特征值； ③ ； ④ ； ⑤ ． 5.8 最小二乘参数估计的递推算法 5.8.7 残差与新息的关系 新息（Innovation）是递推算法中一个重要的量，定义为： 它用来描述k时刻的输出预报误差。 残差是用来描述k时刻的输出偏差，定义为： 5.8 最小二乘参数估计的递推算法 5.8.7 残差与新息的关系 残差与新息存在如下关系： 5.8 最小二乘参数估计的递推算法 5.8.8 准则函数的递推计算 5.8 最小二乘参数估计的递推算法 5.8.9 递推算法的收敛性质 定理5.7：考虑最小二乘辨识问题，只有当噪声n(k)为零均值白噪声时，递推算法给出的参数估计值才是一致收敛的，即有 * *