遗忘因子递推最小二乘参数估计.docx

考虑如下系统： (k)y(k) a1y(k 1) a2y(k 2) b0u(k 3) b1u(k 4) (k) 式中(k)为均值为0、方差为0.1的白噪声， 对象时变参数(k) [a1, a2, b0, b,]T为： [ 1.5,0.7,1,0.5]T , k 500 (k) T [ 1,0.4,1.5,0.2]T , k 500 取遗忘因子 =0.98， clear all; close all; a=[1 -1.5 0.7];b=[1 0.5];d=3; %对象参数 na=length(a)-1;nb=length(b)-1; %计算阶次 L=1000;% 数据长度 uk=zeros(d+nb,1);yk=zeros(na,1); %输入输出初值 u=randn(L,1); %输入采用方差为 1 的白噪声序列 xi=sqrt(0.1)*randn(L,1); % 方差为 0.1 的白噪声干扰序列 %theta=[a(2:na+1);b]; %对象参数真值 thetae_1=zeros(na+nb+1,1); %参数初值 P=10八6*eye (n a+nb+1); lambda=0.98; %遗忘因子范围 [0.9 1] for k=1:L if k==501 a=[1 -1 0.4];b=[1.5 0.2]; %对象参数突变 end theta(:,k)=[a(2:na+1);b]; %对象参数真值 phi=[-yk;uk(d:d+nb)]; y(k)=phi*theta(:,k)+xi(k); %采样输出数据 %遗忘因子递推最小二乘公式 K=P*phi/(lambda+phi*P*phi); thetae(:,k)=thetae_1+K*(y(k)-phi*thetae_1); P=(eye(na+nb+1)-K*phi)*P/lambda; %更新数据 thetae_1=thetae(:,k); for i=d+nb:-1:2 uk(i)=uk(i-1); end uk(1)=u(k); for i=na:-1:2 yk(i)=yk(i-1); end yk(1)=y(k); end subplot(2,1,1); plot([1:L],thetae(1:na,:));hold on;plot([1:L],theta(1:na,:),k:); xlabel(k);ylabel( 参数估计 a); legend(a_1,a_2);axis([0 L -2 2]); subplot(2,1,2); plot([1:L],thetae(na+1:na+nb+1,:));hold on;plot([1:L],theta(na+1:na+nb+1,:),k:); xlabel(k);ylabel( 参数估计 b); legend(b_0,b_1);axis([0 L -0.5 2]); 参数估计b O O 参数估计a