最小二乘类辨识算法.pptxVIP

下载本文档

0
0
约1.18千字
约 134页
2025-12-08 发布于江西
举报
版权申诉

最小二乘类辨识算法.pptx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

1;2;3;（RWLS-RegressiveWeightedLeastSquare）：;5;6;7;8;10;11;12;式中遗忘因子可按下面的原则取值：

①若规定步后数据衰减至36%,则；

②取作时变因子，其中。

遗忘因子的取值大小对算法的性能会产生直接的影响。值增加时，算法的跟踪能力下降，但算法的鲁棒性增强；值减少时，算法的跟踪能力增强，但算法的鲁棒性下降，对噪声更显得敏感。;问题讨论;;遗忘因子LS法和加权RLS算法重要的差别:

加权方式不同

加权RLS法各时刻权重是不有关的,也不随时间变化;

遗忘因子法各时刻权重是有关联的,各时刻权重的大小随时间变化.

加权的效果不同

加权RLS法获得的是系统的平均特性;

遗忘因子法能实时跟踪系统明显的变化,对系统的时变特性含有跟踪能力.;17;18;对应的准则函数递推计算式为;20;a为充足大的数,

充足小的实向量;22;23;24;;对模型（13），参数的最小二乘预计量为;;;29;30;31;32;33;;;;;;;40;41;42;;44;45;46;47;48;49;50;GLS的递推算法

(1).给定初始条件

(2).计算或

(3).根据计算

(4).计算偏差:或

(5).根据,计算

(6).返回第三步进行迭代计算,直至收敛.;52;53;54;55;56;57;58;59;60;61;62;63;64;;66;67;问题讨论;;例1.基本最小二乘;;;;;例2.遗忘因子法;递推算法;;例3.限定记忆法;例4.增广最小二乘;;;例5.广义最小二乘;;;;例6.辅助变量法;;;5.5有关两步法;如果过程的输入输出数据是平稳随机则输入信号的自有关函数和输入输出信号的互有关函数为;并且预计值可按下式递推;;写成最小二乘格式：;;;2、当输入是M序列时，由：;递推算法;;3、当取时，可将模型;若令;写成;;对应的递推算法为;例7：辨识模型以下：;;5.6多级最小二乘法;第一级：辅助模型参数辨识;;;第二级：过程模型参数辨识;其中;;第三级：噪声模型参数辨识;;;;例8;第一级：辅助模型参数辨识;;;;其中;;;;;127;128;129;130;131;132;133;134