(完整word版)多种最小二乘算法分析+算法特点总结.docVIP

第一部分：程序设计思路、辨识结果分析和算法特点总结 2 一： RLS 遗忘因子法 2 RLS 遗忘因子法仿真思路和辨识结果 2 遗忘因子法的特点： 3 二： RFF遗忘因子递推算法 4 仿真思路和辨识结果 4 遗忘因子递推算法的特点： 5 三： RFM限定记忆法 5 仿真思路和辨识结果 5 RFM限定记忆法的特点： 7 四： RCLS偏差补偿最小二乘法 7 仿真思路和辨识结果 7 RCLS偏差补偿最小二乘递推算法的特点： 9 五：增广最小二乘法 9 仿真思路和辨识结果 9 RELS增广最小二乘递推算法的特点： 11 六： RGLS广义最小二乘法 12 仿真思路和辨识结果 12 RGLS广义最小二乘法的特点： 14 七： RIV 辅助变量法 14 仿真思路和辨识结果 14 RIV 辅助变量法的特点： 16 八： Cor-ls 相关最小二乘法（二步法） 17 仿真思路和辨识结果 17 Cor-ls 相关最小二乘法（二步法）特点： 18 九： MLS多级最小二乘法 19 仿真思路和辨识结果 19 MLS多级最小二乘法的特点： 22 十： yule_walker 辨识算法 23 仿真思路和辨识结果 23 yule_walker 辨识算法的特点： 24 第二部分： matlab 程序 24 一： RLS遗忘因子算法程序 24 二： RFF遗忘因子递推算法 26 三： RFM限定记忆法 28 四： RCLS偏差补偿最小二乘递推算法 31 五： RELS增广最小二乘的递推算法 33 六 ;RGLS 广义最小二乘的递推算法 36 七： Tally 辅助变量最小二乘的递推算法 39 八： Cor-ls 相关最小二乘法（二步法） 42 九： MLS多级最小二乘法 45 十 yule_walker 辨识算法 49 第一部分：程序设计思路、辨识结果分析和算法特点总结 一： RLS 遗忘因子法 RLS 遗忘因子法仿真思路和辨识结果 仿真对象如下： 其中， v ( k ) 为服从 N (0,1) 分布的白噪声。输入信号 u ( k) 采用 M 序列，幅度为 1 。M 序列由 9 级移位寄存器产生， x(i)=x(i-4) x(i-9) 。 选择如下辨识模型： 加权阵取 Λ = I。 衰减因子 β = 0.98 ，数据长度 L = 402 。 辨识结果与理论值比较，基本相同。辨识结果可信： Estimate = -1.4666 0.6503 0.9736 0.3035 遗忘因子法的特点 ： 对老数据加上遗忘因子，以降低老数据对辨识的影响，相对增加 新数据对辨识的影响，不会出现“数据饱和”现象。如模型噪声是有 色噪声，则 ? 是有偏估计量。常用作其他辨识方式的起步，以获得其 他方式的初始值。 二： RFF遗忘因子递推算法 仿真思路和辨识结果 辨识模型与遗忘因子法所用模型相同。 其中， 0 ≤μ≤1 为遗忘因子， 此处取 0.98 。 数据长度 L=402， 初 始条件： 参数 a1 a2 b1 b2 的估计值 : ans = -1.4977 0.6863 1.1903 0.4769 待估参数变化过程如图所示： 遗忘因子递推算法的特点： 从上面两个例子可以看出对于相同的仿真对象，一次算法和递推 算法结果基本一致， 但递推算法可以实现在线实时辨识， 而且可以减 少计算量和存储量。 三： RFM限定记忆法 仿真思路和辨识结果 辨识模型与遗忘因子法所用模型相同。 辨识结果与理论值比较，基本相同。辨识结果可信： 参数 a1 a2 b1 b2 的估计值为： Theta_a = -1.5128 0.7099 0.8393 0.4416 待估参数的过渡过程如下： RFM限定记忆法的特点： 辨识所使用的数据长度保持不变，每增加一个新数据就抛掉一个 老数据，使参数估计值始终只依赖于有限个新数据所提供的新消息， 克服了遗忘因子法不管多老的数据都在起作用的缺点， 因此该算法更 能有效的克服数据饱和现象。 四： RCLS偏差补偿最小二乘法 仿真思路和辨识结果 辨识模型与遗忘因子法所用模型相同。 辨识结果与理论值比较，基本相同。辨识结果可信： 参数 a1 a2 b1 b2 的估计值为： ans = -1.4916 0.7005 1.0365 0.4271 RCLS偏差补偿最小二乘递推算法的特点： 2 -1 算法思想：：在最小二乘参数估计值的基础上， 引进补偿项 σWC D ?0，则获得了参数的无偏估计。针对模型噪声来说， RCLS算法的适应 能力比 RLS更好。 五：增广最小二乘法 仿真思路和辨识结果 考虑如下仿真对象： 其中， 为服从 N(0,1) 分布的白噪声。输入信号采用 M 序列，幅度 为 1 。M 序列由 9 级移位寄存器产生， x(i)=x(i-4) ⊕x(i-