《最小二乘参数辨识方法.doc》由会员分享，可在线阅读，更多相关《最小二乘参数辨识方法.doc（4页珍藏版）》请在金锄头文库上搜索。
1、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： 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； 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； 只用有限长度的数据； 加权方式既考虑平均特性又考虑跟综能力； 在不同的时刻，重调协方差阵P(k)； 设法防止协方差阵P(k)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算法中引
2、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： 一种有趣的情况是取得很大，在极限情况下，算法就退化成正交投影算法。也就是说，当选择构成了正交投影算法算法初始值取及(任定值)，且当时，令。 第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，可把第种加权因子的选择修改为其中是指定的阀值。这时算法对数据作了不同的加权，但不排斥任何数据 按下式选择加权因子，意味着它是过去数据信息量的一种度量 如果由噪声、建模不准确等因素引起的误差上界已知，则可按下式选择加权因子5.10.2 遗忘因子法 遗忘因子算法通过对数
3、据加遗忘因子的办法来降低老数据的信息量，为补充新数据的信息创造条件。取准则函数为其中称遗忘因子，取值为极小化这个准则函数，可得到参数辨识算法：式中 这种参数辨识方法称作遗忘因子法，记作FF(Forgetting Factor algorithm)。如果遗忘因子，算法退化成普通最小二乘法。与推导加权最小二乘递推算法一样，同样可以推导出遗忘因子算法的递推计算形式式中遗忘因子可按下面的原则取值： 若要求步后数据衰减至,则； 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
4、显得敏感。 遗忘因子法和加权最小二乘算法主要的差别： 加权方式不同加权最小二乘法各时刻权重是不相关的，也不随时间变化；遗忘因子法各时刻权重是有关联的，满足关系，各时刻权重的大小随时间变化，当前时刻的权重总为1。 加权的效果不一样加权最小二乘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，具有跟踪能力。 算法的协方差矩阵P(k)的内容不一样，两者的关系为。 和加权最小二乘递推算法一样，遗忘因子算法下的残差与新息关系：或由此可推出准则函数J(k)的递推计算式：式中， 是k 时刻的新息，它与k-1 时刻的参数估计值有关。5.10.3 限定记忆法 限定记忆法依赖于有限长度的数据，每增加一
5、个新的数据信息，就要去掉一个老数据的信息，数据长度始终保持不变。这种方法的参数估计递推算法如下： 算法前三个式子用于去掉老数据的信息，后三个式子用来增加新数据的信息，初始值取其中a 为充分大实数， 为充分小实向量相应的准则函数递推计算式为：其中5.10.4 折息法 折息法把加权最小二乘法和遗忘因子法融合起来，形成如下算法： 折息因子与加权因子和遗忘因子之间的关系为，当遗忘因子取常数时，折息因子又可表示成。折息法同时具备加权最小二乘法和遗忘因子法的作用，既可获得系统的平均特性，又具有时变跟踪能力。5.10.5 协方差重调最小二乘法 在辨识递推计算过程中，协方差矩阵P(k)衰减很快，此时算法的增益矩阵K(k)也急剧衰减。这种现象的出现，促使人们去考虑一种修正的方案，即在指定的时刻重新调整协方差矩阵P(k)，使算法始终保持较快的收敛速度。这种协方差重调的最小二乘算法描述如下： 当时，P(k)按上式算法计算；当时，把P(k)重调为 。5.10.6 协方差修正最小二乘法 对时变系统辨识来说，为了防止矩阵P(k)趋于零，当参数估计值超过某阀值时，矩阵P(k)自动加上附加项Q, 具体算法如下：4
