递推最小二乘法相关辨识方法(97-2003).pptVIP

时不变SISO动态系统描述 最小二乘法 递推最小二乘法 适应算法 考虑如下时不变SISO线性离散动态系统： 其中，u(k)为系统激励信号，y(k)为系统输出， e(k)为模型噪声。 其系统模型如图所示。 其中，G(z-1)是系统函数模型，N(z-1)为有色噪声 系统模型，e(k)为白噪声v(k)经过函数为N(z-1)的有色 噪声系统后的输出。通常 式中， 则系统可表示为 最小二乘法所用的模型是 增广最小二乘法所用的模型是 广义最小二乘法所用的模型是 设一个时不变SISO线性离散动态系统的数学模 型为 假设模型的阶次已经设定，且一般有 。将模型 写成最小二乘形式 式中 令k=1,2,3,…,L，可构成线性方程组 式中 选取准则函数 设 使得 ，则有 得正则方程： 当 为正则阵（可逆阵）时，有 且有 ，所以 唯一使得 。 这种方法称作最小二乘法。 为了减少计算量，减少数据在计算机中占用的 内存，并实时辨识出系统动态特性，我们常利用最 小二乘法的递推形式。其基本思想可以概括成 新的估计值 =旧的估计值 +修正项 下面我们来推导递推最小二乘算法的原理。 首先，将最小二乘一次完成算法写为 定义 式中 式中，h(i)是一个列向量，也就是HL的第i行的倒置， P(k)是一个方阵，它的维数取决于未知参数的个数。 P(k)的递推关系为 设 则 由此可得 联立上述式子，可得 引进增益矩阵K(k)，定义 则 把P(k)写成 利用矩阵反演公式 可得 则 综合上述式子可得最小二乘递推参数估计算法 RLS 递推最小二乘法的步骤 用最初的 组数据 作矩阵 及 ，求出参数的初始估计 和 作为初始值。 求出 。 用新取得的观测数据 ，求出新的参数估计 。 继续进行新的采样，并从第2步开始重复 从上述步骤可以看出，递推最小二乘初始值是 用 组数据求得的 和 ，为此，必须 求逆矩阵，比较麻烦。下面介绍一种简单的求初值 的算法。 在取得 组数据后，可设 式中， 充分大（如可取 ）。可以证明，取 上述初值，从第 个观测数据开始，用前面的递 推关系递推 步后，就近似于原来的初始矩阵 和初始参数估计，也即当 时有 在许多参数辨识或回归分析中，模型适宜的参 数个数事先是未知的。进行模型阶次辨识时，需要 依阶次递推的算法，即希望在n阶模型参数估计的 基础上递推计算n+1阶模型的参数，这样能减少计 算量。 在最小二乘法，特别是在递推最小二乘法中， 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旧数据的海洋之中；如果算 法对新旧数据均给以同样的可信度，那么随着由新 数据中获得的信息量增加，可信度就会相对下降， 算法逐渐失去了修正能力，这就称为“数据饱和” 现象。这时参数估计值可能还偏离真值较远就无法 更新了；对时变过程来说，它又将导致参数估计值 不能跟踪时变参数的变化。 适应算法是针对“数据饱和”现象提出的一种 辨识方法，它包括遗忘因子法和限定记忆法两种算 法。 遗忘因子法的基本思想是对旧数据加上遗忘因 子，以降低旧数据所提供的信息量，增加新数据的 信息量。 在最小二乘法或遗忘因子法的递推算法中，数 据长度随着时间的推移而逐渐增加，旧数据所含的 信息始终在起作用，相对将影响新数据的作用。另 一类辨识算法是限定记忆法。