- 1、本文档共5页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(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。
- 3、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。
- 4、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)。
查看更多
matlab最小二乘法
4. 设某物理量Y与X 满足关系式Y=aX2+bX+c,实验获得一批数据如下表,试辨识模型参数a,b和c 。(50分)
X 1.01 2.03 3.02 4.01 5 6.02 7.03 8.04 9.03 10 Y 9.6 4.1 1.3 0.4 0.05 0.1 0.7 1.8 3.8 9.0 报告要求:要有问题描述、参数估计原理、程序流程图、程序清单,最后给出结果及分析。
问题描述:
由题意知,这是一个已知模型为Y=aX2+bX+c,给出了10组实验输入输出数据,要求对模型参数a,b,c进行辨识。这里对该模型参数辨识采用递推最小二乘法。
参数估计原理
对该模型参数辨识采用递推最小二乘法,即RLS( recurisive least square),它是一种能够对模型参数进行在线实时估计的辨识方法。
其基本思想可以概括为:新的估计值=旧的估计值+修正项
下面将批处理最小二乘法改写为递推形式即递推最小二乘参数估计的计算方法。
批处理最小二乘估计为,设k时刻的批处理最小二乘估计为:
令
K时刻的最小二乘估计可以表示为
=
= ;式中,因为要推导出P(k)和K(k)的递推方程,因此这里介绍一下矩阵求逆引理:设A、(A+BC)和(I+)均为非奇异方阵,则通过运用矩阵求逆引理,把复杂的矩阵求逆转化为标量求倒数,大大减小了计算量。与间的递推关系。最终得到递推最小二乘参数递推估计公式如下:
(
(
(
(3)程序流程图 (如右图1所示)
递推最小二乘法(RLS)步骤如下:
已知:、和d。
Step 1 :设置初值和P(0),输入初始数据;Step2 :采样当前输出y(k)、和输入u(k)
Step3 :利用上面式(((计算 、和;
Step4 :kk+1,返回step2,继续循环。
图1 程序流程图
(4) Matlab仿真程序、输出参数估计值、
参数估计变化轨迹图像、结果分析
仿真程序如下:
X=[1.01 2.03 3.02 4.01 5 6.02 7.03 8.04 9.03 10];
Y=[9.6 4.1 1.3 0.4 0.05 0.1 0.7 1.8 3.8 9.0]; %实验输入数据、实验输出数据
syms a b c % 定义待辨识参数
theta=[a;b;c]; %theta包含待辨识参数a,b,c
theta1=zeros(3,1); %对象参数初始化
P=10^6*eye(3) %构造初始P阵
for k=1:10 %仿真步长范围1到10
phi=[X(k)*X(k);X(k);1];
%y=aX*X+bX+c=phi*theta
%theta=[a;b;c];phi=[X(k)*X(k);X(k);1]
K=P*phi/(1+phi*P*phi); %递推最小二乘法K阵的递推公式
theta=theta1+K*(Y(k)-phi*theta1); %theta的递推公式
P=(eye(3)-K*phi)*P; %递推最小二乘法P阵的递推公式
theta1=theta; %theta的最终估计向量
theta2(:,k)=theta; %theta估计向量矩阵化,目的是为了
%下面的plot仿真图像输出 end
theta1 %输出参数估计值
plot([1:10],theta2) %输出参数逐步递推估计的轨迹图像
xlabel(k); %设置横坐标为步
文档评论(0)