最小二乘参数辨识方法.pdfVIP

《系统辨识基础》第17 讲要点 第 5章 最小二乘参数辨识方法 5.9 最小二乘递推算法的逆问题 辨识是在状态可测的情况下讨论模型的参数估计问题，滤波是在模型参数已知的情况下 讨论状态估计问题，两者互为逆问题。 5.10 最小二乘递推算法的几种变形 最小二乘递推算法有多种不同的变形，常用的有七种情况： ① 基于数据所含的信息内容不同，对数据进行有选择性的加权； ② 在认为新近的数据更有价值的假设下，逐步丢弃过去的数据； ③ 只用有限长度的数据； ④ 加权方式既考虑平均特性又考虑跟综能力； P k ⑤ 在不同的时刻，重调协方差阵 ()； P k ⑥ 设法防止协方差阵 ()趋于零； 5.10.1 选择性加权最小二乘法 把加权最小二乘递推算法改写成 ˆ ˆ ˆ      (k)  (k  1)  K (k)[z(k)  h (k) (k  1)]     1 K (k)  (k)P (k  1)h(k) (k)h (k)P (k  1)h(k)  1 P (k)  [I  K (k)h (k)]P (k  1)  算法中引进加权因子，其目的是便于考虑观测数据的可信度．选择不同的加权方式对算法的 性质会有影响，下面是几种特殊的选择： ① 一种有趣的情况是 (k ) 取得很大，在极限情况下，算法就退化成正交投影算法。也 就是说，当选择 ,h (k)P(k  1)h(k) 0 (k)  0,h (k)P(k  1)h(k) 0 构成了正交投影算法 ˆ ˆ ˆ      (k)  (k  1)  K (k)[z(k)  h (k) (k  1)]  P (k  1)h(k) K (k)   h (k)P (k  1)h(k) P (k)  [I  K (k)h (k)]P (k  1)  算法初始值取P (0)  I及(0)   (任定值)，且当h (k)P (k  1)h(k)  0 时，令K (k)  0 。 ② 第①种加权因子的选择显然是一种极端情况，算法的鲁棒性比较差。为了使算法具有 较好的鲁棒性，可把第①种加权因子的选择修改为  ,h (k)P(k 1)h(k)  (k)  1  ,h (k)P(k 1)h(k)  2 其中  是指定的阀值。这时算法对数据作了不同的加权，但