递推增广最小二乘法RELS——脚本及S函数实现

        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。

---

---

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。

1. RELS算法简介
2. Matlab代码实现
3. RELS的S函数及Simulink仿真
4. 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：
$$A(z^{-1})y(k)=z^{-d}B(z^{-1})u(k)+C(z^{-1})\xi \text{\hspace{1em}(1)}$$      考虑一般情况ARMA模型，$C(z^{-1})\ne 1$。式中，$A(z^{-1})=1+a_1{z}^{-1}+a_2{z}^{-2}+\cdots +a_{n_a}{z}^{-n_a}$，$B(z^{-1})=b_0+b_1{z}^{-1}+b_2{z}^{-2}+\cdots +b_{n_b}{z}^{-n_b}$，$C(z^{-1})=1+c_1{z}^{-1}+c_2{z}^{-2}+\cdots +c_{n_c}{z}^{-n_c}$。式(1)可变为
$$y(k)=[1-A(z^{-1})]y(k)+B(z^{-1})u(k-d)+[C(z^{-1})-1]\xi (k)+\xi (k)$$      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