最小二乘适应算法.pptx

1 2 3 5.3 最小二乘适应算法 “数据饱和“现象 遗忘因子法 限定记忆法 Conclusion 最小二乘适应算法 5.3.1 “数据饱和”现象 随着时间的推移，采集到的数据越来越多，新数据所提供的信息被淹没在老数据的海洋之中。 最小二乘法之所以会出现所谓的“数据饱和”现象，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之故。 其中，令 最小二乘适应算法 其次，在实际工业过程中，大多数的工业对象都是非线性的，其参数也是随时间而变化的。只是非线性不是很严重，可以进行线性化处理，而参数随时间变化很缓慢，在短期内可认为是常数。但长时间运行之后，参数就可能变化较大。 为了克服“数据饱和”现象和跟踪时变参数的变化，我们提出了两种适应算法，即遗忘因子法和限定记忆法。 最小二乘适应算法 5.3.2 遗忘因子法 5.3.2.1 遗忘因子法的一次完成算法 遗忘因子法的基本思想：对老数据乘以遗忘因子，以降低老数据所提供的信息量，增加新数据的信息量。前一时刻的数据乘以较小的权，后一时刻的数据乘以较大的权，表示对新数据较为重视，对老数据所起的作用逐渐消弱。 设时不变单输入单输出动态过程的数学模型为 (5-3-1) 最小二乘适应算法 其中，u(k)和z(k)为过程的输入输出量；e(k)是白噪声。 (5-3-2) (5-3-3) 将上述的模型式改写成最小二乘格式 (5-3-4) 最小二乘适应算法 式中 (5-3-5) (5-3-6) 当k分别取n+1,n+2,…,n+L时，可以把(5-3-4)写成一个线性方程组的形式 (5-3-7) 式中 最小二乘适应算法 当数据加上衰减因子 后，记作 (5-3-9) 最小二乘适应算法 (5-3-10) 模型写成 (5-3-11) 利用5.1节中的结论，我们可得到遗忘因子法的一次完成算法为 (5-3-12) 当获得一批数据后，我们就能一次算出参数的估计值，这就是遗忘因子法的一次完成算法。 最小二乘适应算法 5.3.2.2 遗忘因子法的递推算法 将式(5-3-12)的一次完成算法写成 (5-3-13) 其中， 称为遗忘因子。定义 (5-3-14) 最小二乘适应算法 式中 由式(5-3-14)可得到