随机逼近法,是一种应用广泛的参数估计方法。它是在有随机误差干扰的情况下,用逐步逼近的方式估计某一特定值的数理统计方法。
寻找带误差的量测到的未知回归函数的零点或极值
,
是系统辨识,适应控制、模式识别、适 应滤波和神经元网络等领域中都要遇到的问题。 随机逼近提供了解决这一问题的递推方法 。
当既不知道函数的表达式,又不能无误差的测量到函数值时,如何求解函数的零点或者极值,就是随机逼近要解决的问题。随机逼近控制方法有RM法,KW法。其中,基于KW法上的变形情况有:有限微分随机逼近算法(FDSA)、随机方向的随机逼近算法(RDSA)和同时扰动随机逼近算法(SPSA)。
随机逼近法就是利用变量
x1,x2…
及对应的随机变量
y(x1),y(x2)…
,通过迭代计算,逐步逼近方程式的解。
常用的迭代算法为
Robbins-
Monro
(RM)
算法和
Keifer-Wolfowitz
(KW)
算法。
在随机系统的估计、预报、控制和优化中,常常使用随机逼近算法。
设未知函数为
h(x),
它的零点为
x0,h(x0)=0……(1),
对
h (.)
可以在任一点
x
进行测量,但测量带有误差,若
xn
为第
n
次测量时所取定的自变量的值,则函数的观测值为:
y(n+1)=h(
xn
)+ζ(n+1)……(2),
其中
{
ζn
}
是测量误差序列,可以依赖于
xn
,
h(.)
称为回归函数。用实际得到的序列
{
xn
}
和
{
yn
},
去求回归函数的根
x
0
,
这就是随机逼近问题。