递推最小二乘法RLS:推导

递推最小二乘法RLS:推导

I use RLS as a method for parameter identification.
Reference:
https://blog.csdn.net/weixin_38451800/article/details/85384847
https://max.book118.com/html/2018/1021/8127031123001127.shtm
https://blog.csdn.net/qq_27436347/article/details/89766494
https://blog.csdn.net/zlh_hhhh/article/details/89061839
https://blog.csdn.net/ccnt_2012/article/details/81127117

需要注意的就是在推导过程中要注意矩阵的行数和列数,防止不清楚。

在这里插入图片描述在这里插入图片描述

  • 26
    点赞
  • 82
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
最小二乘法是一种用于拟合数据的数学方法,旨在找到一个最优解来最小化数据点与拟合曲线之间的误差平方和。在最小二乘法中,我们将数据表示为一个线性模型,并使用数据点和模型之间的差异来计算误差。然后,通过调整模型参数,使得误差最小化。 递推最小二乘法是在最小二乘法的基础上提出的一种改进方法。它的目标是通过仅使用新的数据点来更新模型参数,而无需重新计算整个数据集的最小二乘解。这样可以节省计算时间和存储空间。 递推最小二乘法的基本思想是利用递推关系式来更新模型参数。具体来说,我们可以通过递推更新公式来更新协方差矩阵和参数向量,从而避免对协方差矩阵的求逆操作。这可以大大降低计算复杂度。 然而,递推最小二乘法也存在一些问题。首先,对于协方差矩阵的递推更新可能导致数值溢出的问题,因为随着数据量的增加,矩阵中的元素会不断增大。其次,由于递推的特性,递推最小二乘法对数据的顺序具有一定的敏感性。如果数据的顺序发生变化,可能会影响到模型参数的更新。 总之,最小二乘法是一种常用的拟合方法,而递推最小二乘法是对最小二乘法的改进,通过递推更新公式来减少计算复杂度。但在使用递推最小二乘法时需要注意数值溢出和数据顺序的影响。<span class="em">1</span><span class="em">2</span> #### 引用[.reference_title] - *1* *2* [递推最小二乘法(Recursive least square, RLS)详细推导](https://blog.csdn.net/qq_39645262/article/details/125691638)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值