最小二乘参数估计-zz u 自适应控制理论课件.pptVIP

广义增广最小二乘参数估计递推算法 令 则（5）式和（6）式可合并为 由于信息向量中含有不可测噪声e(t) 和 w(t)，在进行参数估计时将分别用其相应的估计值代替。 * * 广义增广最小二乘参数估计递推算法 RGELS算法： * * 广义增广最小二乘参数估计递推算法 RGELS算法中的初值选择 一般选择： * * 广义增广最小二乘参数估计递推算法 【例3】设模型为 仿真时，{u(t)}为零均值、单位方差、独立的可测随机变量序列， {w(t)}为零均值方差为σ2的白噪声序列，改变σ2 可改变噪信比δns 。 * * 广义增广最小二乘参数估计递推算法 用RGELS算法进行参数估计，其数值计算结果如表所示，其中δ为参数估计相对误差范数指标。 * * 增广最小二乘参数估计 递推算法 上述最小二乘参数估计算式中含有不可测噪声，故考虑用其相应的估计值来代替， 即 * * 增广最小二乘参数估计 与RLS算法类似，可得RELS算法 RELS算法是RLS算法的推广，只是信息向量和参数向量中分别增加了噪声模型的信息和参数； RELS算法同样可引入遗忘因子，构成相应的遗忘因子最小二乘算法。 * * 1.辅助变量法特点 算法目的：克服基本最小二乘估计的有偏估计问题，得到一种 无偏参数估计算法。 (1) 计算与基本最小二乘估计同样简单； (2) 辨识精度高于最小LS估计法； (3) 是一种无偏估计方法； (4) 参数估计时需构造辅助变量矩阵。 四 辅助模型最小二乘法 * * 基本LS有偏估计原因：由于ξ(k)是相关随机序列，使得ΦT阵 与ξ阵相关，从而得不到θ的无偏估计。 解决方法：构造某矩阵ZT，该矩阵与ΦT阵结构、形式完全一致，且该矩阵与Φ强相关，与ξ阵不相关。相当于用构造的矩阵ZT替代ΦT阵，从而得到θ的无偏估计。也就是构造一个新变量，它与方程误差不相关，但与过程中的有用信号相关。 该构造的矩阵就称为辅助变量矩阵，它满足如下约束条件： 四 辅助模型最小二乘法 * * 由上式取辅助变量法估计为: 辅助变量法(IV)估计推导 等式两边同乘以ZT阵有： 系统的输入输出方程为： [(2n+1)×N]×[N×(2n+1)] * * 3.无偏性证明 所以辅助变量法为无偏估计 辅助变量法估计为： 则： * * 4.辅助变量法的构造方法 IV的构造方法有很多种，我们介绍以下四种方法。 (1) 递推辅助变量参数估计法 (2) 自适应滤波法 (3) 纯滞后法 (4) 塔利原理法 重点掌握第一种方法：递推辅助变量参数估计法。 现在任务：如何构造辅助变量矩阵ZT。 构造原则：与ΦT阵结构、形式完全一致，与Φ阵强相关， 与ξ阵不相关。 * * 递推辅助变量参数估计法 φT与ξ相关，主要是由于φT中的y(k)与ξ(k+1)相关，选取ZT使其不相关即可。 序列为辅助模型的输出，即 * * 解决办法：循环迭代→收敛法 注：第一次计算时，使用 (3)构造Z阵，使用IV法估计 (2)计算 序列 具体步骤如下： (1)应用基本LS法估计 (4)循环迭代计算 返回第二步，重新计算 进行循环迭代，直至 收敛 * * 自适应滤波法 估计步骤： (1)基本LS估计: 辅助变量 及其矩阵Z的构造方法与方法1完全相同。 只是将辅助模型中的 的取值做一定的修改(滤波)。 式中，α取0.01-0.1， d取0-10。 (2)计算 序列: (首次计算用Φ替代Z) (3)构造Z阵，估计 (4)估值滤波： (5)返回第2步，进行循环迭代，直至估值收敛。 * * 纯滞后法 式中， 为多项式 的阶次，一般可取 辅助变量按下式确定： 塔利（Tally）原理 ξ(k)为相关随机序列，可以表示成： 其中，ε(k)是零均值不相关的随机噪声，并且 ，以保证 则辅助变量取为： 无关。 通常，取 * * 递推的辅助变量法 辅助变量法的递推公式的推导与基本最小二乘法的递推公式推导的过程完全一样，我们直接给出其递推公式： 式中： 其中，新息为 初始状态 的选取可参照递推LS法的选取方法。(两种方法) 注意事项：递推IV法对初始值P0的选取很敏感，因此在使用该 方法时，最好在前50～100个采样点用递推最小二乘 法，而后再转到递推辅助变量法。 * * 辅助模型最小二乘法 【例1】设模型为 仿真时，{u(t)}为零均值、单位方差、独立的可测随机变量序列， {w(t)}为零均值方差为σ2的白噪声序列，改变σ2 可改变噪信比δns 。 * * 辅助模型最小二乘法 用RAMLS算法估计数值计算结果如表所示，其中δ为参数