系统辨识各类最小二乘法汇总.docx

PAGE \* MERGEFORMAT 8 最小二乘方法的总结与比较 控制二班 王思明（作业二） 最小二乘法大约是1795年高斯在他那著名的星体运动轨迹研究工作中提出来的。后来，最小二乘法就成了理论的奠基石。由于最小二乘原理简单，编程程序也不困难，所以它颇受人们重视，应用相当广泛。最小二乘的基本结果有两种形式，一种是经典的一次完成算法，另一种是现代的递推算法。本次作业只讨论递推算法和其他扩展的最小二乘方法比较。 最小二乘法 最小二乘法具有两个缺陷： 1、当噪声模型是有色噪声时，最小二乘参数估计不是你无偏、一致估计。 2、随着数据的增长，最小二乘法出现数据饱和现象，以致算法慢慢失去修正能力。 下面是其分别在白噪声和有色噪声时的参数估计曲线。最小二乘的程序见附录。 图1-1 RLS白噪声时参数估计变化曲线 图1-2 RLS有色噪声时参数估计变化曲线 从图中可以很明显的看出，当噪声变成有色噪声时，RLS算法是有偏的，始终不能得出参数的真值，而且可以看出随着数据的增多，算法对参数的修正能力明显下降，到最后参数值几乎不变，这说明RLS算法进入了数据饱和状态。 遗忘因子法和限定记忆法 这两种算法（RFF,RFM）是基于RLS的数据饱和现象而提出来的一种辨识算法。 RFF很简单，在老数据加上遗忘因子以降低老数据提供的信息量，增加新数据的信息量。仅仅在RLS算法内部加入遗忘因子系数，这里因为篇幅有限，不给出其程序以及最后的参数变化曲线。 RFM就比较特殊，其限定有效数据的长度L，即始终只有长度L的数据在影响参数估计，可以从根本上解决数据饱和现象。下面是其实验的参数估计变化曲线。 图2-1 RFM白噪声时的参数估计曲线 从图中可以看出，相比于RLS的白噪声时的参数估计，变化曲线围绕真值震荡变化，这说明没有数据饱和现象，辨识结果良好。 偏差补偿法 当噪声是有色噪声时，我们提出偏差补偿最小二乘法，因为从图1-2我们可以看出，最后的参数估计是有偏的，所以我们在算法中每次都减去这个偏差量，使得最后的结果能够逼近真值。我们称这种算法为RCLS。 但是，既然我们加入了偏差量，如果我们的噪声是白噪声时，那这个偏差量就变成了误差量，使得参数估计轨迹偏真值。 下图是其参数估计曲线，程序见附录。 图3-1 RCLS有色噪声时的参数变化曲线 图3-2 RCLS白噪声时的参数估计曲线 从图中可以很清楚的看出，RCLS可以对有色噪声情况下，对参数进行无偏一致估计，但是在白噪声的情况下，却不能得到无偏估计，其原因上面也提到了，这里就不在赘述了。 增广最小二乘和广义最小二乘 针对不同的有色噪声模型，我们用不同的辨识方法，并能顺带求出噪声的模型模型，通过扩充参数向量和数据向量的维数，把噪声模型的辨识同时考虑进去。 当噪声模型： ek=DZ-1 图4-1 RELS参数估计曲线 当噪声模型： ek=1C 图4-2 RGLS参数估计曲线 从上图可以看出，针对不同的参数模型，RELS和RGLS分别能发挥不同的作用，并且给出参数的无偏一致估计，并顺带求出了噪声参数，其辨识结果良好，符合要求. 辅助变量法 在有些问题中，我们并不能事先知道参数的模型，而且我们也不需要求出噪声参数，这时普通的RLS算法已经不能满足我们的要求，我们提出了辅助变量法，RIV。下图给出其实验结果，具体程序见附录。 图5-1 RIV有色噪声时参数估计变化曲线 从图中可以看出，RIV算法对有色噪声的情况，也能给出参数的无偏估计，其结果与RLS（图1-2）比较可以看出区别。 总结 RLS： 当噪声模型是有色噪声时，最小二乘参数估计不是你无偏、一致估计。而且随着数据的增长，最小二乘法出现数据饱和现象，以致算法慢慢失去修正能力。 RFF.RFM： RFF很简单，在老数据加上遗忘因子以降低老数据提供的信息量，增加新数据的信息量，RFM就比较特殊，其限定有效数据的长度L，即始终只有长度L的数据在影响参数估计，可以从根本上解决数据饱和现象 RCLS： 当噪声是有色噪声时，我们提出偏差补偿最小二乘法，在算法中每次都减去这个偏差量，使得最后的结果能够逼近真值。但却不适合噪声为白噪声的时候。 RELS： 当噪声模型： ek=DZ-1 RGLS： 当噪声模型： ek=1C RIV： 当不确定参数模型时，我们可以直接采用RIV模型得到参数的无偏一致估计。 附录 RLS实验程序： clc clear % y1=randn(1,2500); %产生高斯白噪声 % y1=y1/std(y1); % y1=y1-mean(y1); % a=0; % b=sqrt(0.1); % y1=a+b*y1; % figure(1); % plot(y1); % title(高斯白噪声); for i=