这一周,我在学习递推最小二乘法RLS、递推增广最小二乘法RELS以及具有遗忘因子的递推最小二乘法FFRLS,在matlab中实现了相应的代码,并写了适用于三者的S函数,在Simulink中得到验证。
以下内容仅用于自我总结与分享交流,内容较多。另外,如有不妥,可在下方指出交流,多谢。
文章目录
摘要
仅详细介绍RELS,递推最小二乘法RLS和具有遗忘因子的FFRLS可以由RELS得到,前者可以看作是RELS的一类特例,后者则是在RLS的基础上加入了简单的遗忘因子。
- RELS算法简介
- Matlab代码实现
- RELS的S函数及Simulink仿真
- 其他说明
正文内容
1. RELS算法简介
1.1 基本公式
了解的同学这块内容可以直接跳过哈。
自校正控制的被控对象可用离散时间随机线性模型来描述,离散时间随机线性模型具有如下形式:
A ( z − 1 ) y ( k ) = z − d B ( z − 1 ) u ( k ) + C ( z − 1 ) ξ (1) A(z^{-1})y(k)=z^{-d}B(z^{-1})u(k)+C(z^{-1})\xi\tag{1} A(z−1)y(k)=z−dB(z−1)u(k)+C(z−1)ξ(1) 考虑一般情况ARMA模型, C ( z − 1 ) ≠ 1 C(z^{-1})\neq1 C(z−1)=1。式中, A ( z − 1 ) = 1 + a 1 z − 1 + a 2 z − 2 + ⋯ + a n a z − n a A(z^{-1})=1+a_1z^{-1}+a_2z^{-2}+\cdots+a_{n_a}z^{-n_a} A(z−1)=1+a1z−1+a2z−2+⋯+anaz−na, B ( z − 1 ) = b 0 + b 1 z − 1 + b 2 z − 2 + ⋯ + b n b z − n b B(z^{-1})=b_0+b_1z^{-1}+b_2z^{-2}+\cdots+b_{n_b}z^{-n_b} B(z−1)=b0+b1z−1+b2z−2+⋯+bnbz−nb, C ( z − 1 ) = 1 + c 1 z − 1 + c 2 z − 2 + ⋯ + c n c z − n c C(z^{-1})=1+c_1z^{-1}+c_2z^{-2}+\cdots+c_{n_c}z^{-n_c} C(z−1)=1+c1z−1+c2z−2+⋯+cncz−nc。式(1)可变为
y ( k ) = [ 1 − A ( z − 1 ) ] y ( k ) + B ( z − 1 ) u ( k − d ) + [ C ( z − 1 ) − 1 ] ξ ( k ) + ξ ( k ) y(k)=[1-A(z^{-1})]y(k) + B(z^{-1})u(k-d)+[C(z^{-1})-1]\xi(k)+\xi(k) y(k)=[1−A(z−1)]y(k)+B(z−1)u(k−d)+[C(z−1)−1]ξ(k)+ξ(k) 将其表示为
y ( k ) = φ T θ + ξ ( k ) (2) y(k)=\varphi^T\theta+\xi(k)\tag{2} y(k)=φ