利用matlab实现最小二乘估计

最新推荐文章于 2024-10-09 01:13:14 发布

唱戏先生

最新推荐文章于 2024-10-09 01:13:14 发布

阅读量4.6k

点赞数 4

分类专栏： Kalman滤波

本文链接：https://blog.csdn.net/qq_43131852/article/details/106456133

版权

本文详细介绍了如何使用MATLAB进行最小二乘估计，包括古典最小二乘、加权最小二乘和递推最小二乘估计的理论与实践，通过实例展示了具体的操作步骤和输出结果。

摘要由CSDN通过智能技术生成

最小二乘估计概念

在这里插入图片描述

古典最小二乘估计

在这里插入图片描述

tic
clc;
clear;
%首先假定量测量值如下
mul=[100,200,300];
sigma=[4,0,0;0,4,0;0,0,16];
data=mvnrnd(mul,sigma,100);
%假定量测量Z是按照100个x，y,z交替排列
Z=zeros(300,1);
for i=1:100
    Z(3*i-2,1)=data(i,1);
    Z(3*i-1,1)=data(i,2);
    Z(3*i,1)=data(i,3);
end
%定义H矩阵300*3
H=zeros(300,3);
for i=1:100
    H(3*i-2,1)=1;
    H(3*i-1,2)=1;
    H(3*i,3)=1;
end
%方差矩阵300*300
R=zeros(300,300);
for i=1:100
    R(3*i-2,3*i-2)=4;
    R(3*i-1,3*i-1)=4;
    R(3*i,3*i)=16;
end
%古典最小二乘法估计
X=inv(H'*H)*H'*Z
E=inv(H'*H)*H'*R*H*inv(H'*H)
toc

输出结果：

X =

   99.7247
  200.2023
  300.1888


E =

    0.0400         0         0
         0    0.0400         0
         0         0    0.1600

时间已过 0.007059 秒。

加权最小二乘估计

在这里插入图片描述

tic
clc;
clear;
%首先假定量测量值如下
mul=[100,200,300];
sigma=[4,0,0;0,4,0;0,0,16];
data=mvnrnd(mul,sigma,100);
%假定量测量Z是按照100个x，y,z交替排列
Z=zeros(300,1);
for i=1:100
    Z(3*i-2,1)=data(i,1);
    Z(3*i-1,1)=data(i,2);
    Z(3*i,1)=data(i,3);
end
%定义H矩阵300*3
H=zeros(300,3);
for i=1:100
    H(3*i-2,1)=1;
    H(3*i-1,2)=1;
    H(3*i,3)=1;
end
%方差矩阵300*300
R=zeros(300,300);
for i=1:100
    R(3*i-2,3*i-2)=4;
    R(3*i-1,3*i-1)=4;
    R(3*i,3*i)=16;
end
W=inv(R);
%加权最小二乘法估计
X=inv(H'*W*H)*H'*W*Z
E=inv(H'*R'*H)
toc

输出结果：

X =

  100.1899
  200.1390
  300.0483


E =

    0.0025         0         0
         0    0.0025         0
         0         0    0.0006

时间已过 0.123054 秒。

递推最小二乘估计

在这里插入图片描述

tic
clc;
clear;
%首先假定量测量值如下
mul=[100,200,300];
sigma=[4,0,0;0,4,0;0,0,16];
data=mvnrnd(mul,sigma,100);
%假定量测量Z是按照100个x，y,z交替排列
Z=zeros(300,1);
for i=1:100
    Z(3*i-2,1)=data(i,1);
    Z(3*i-1,1)=data(i,2);
    Z(3*i,1)=data(i,3);
end
%递推最小二乘法估计
%假定上一时刻的X，P
X=[0;0;0];
P=[3,0,0;0,5,0;0,0,17];
%定义H，R
H=eye(3);
R=[4,0,0;0,4,0;0,0,16];
for i=1:100
    Zk=[Z(3*i-2,1);Z(3*i-1,1);Z(3*i,1)];
    K=P*H'*inv(H*P*H'+R);
    X=X+K*(Zk-H*X);
    P=P-K*H*P;
end
X
P
toc

X =

   98.7186
  198.2282
  297.0573


P =

    0.0395         0         0
         0    0.0397         0
         0         0    0.1585

时间已过 0.009759 秒。

在这里插入图片描述

tic
clc;
clear;
%首先假定量测量值如下
mul=[100,200,300];
sigma1=[4,0,0;0,4,0;0,0,16];
sigma2=[1,0,0;0,1,0;0,0,1];
data1=mvnrnd(mul,sigma1,100);
data2=mvnrnd(mul,sigma2,100);
%假定量测量Z是按照100个x1,y1,z1,x2,y2,z2交替排列
Z=zeros(600,1);
for i=1:100
    Z(6*i-5,1)=data1(i,1);
    Z(6*i-4,1)=data1(i,2);
    Z(6*i-3,1)=data1(i,3);
    Z(6*i-2,1)=data2(i,1);
    Z(6*i-1,1)=data2(i,2);
    Z(6*i,1)=data2(i,3);
end
%递推最小二乘法估计
%假定上一时刻的X，P
X=[0;0;0];
P=[1,0,0;0,1,0;0,0,1];
%定义H，R
H=[1,0,0;
    0,1,0;
    0,0,1;
    1,0,0;
    0,1,0;
    0,0,1];
R=[4,0,0,0,0,0;
    0,4,0,0,0,0;
    0,0,16,0,0,0;
    0,0,0,1,0,0;
    0,0,0,0,1,0;
    0,0,0,0,0,1];
for i=1:100
    Zk=[Z(6*i-5,1);Z(6*i-4,1);Z(6*i-3,1);Z(6*i-2,1);Z(6*i-1,1);Z(6*i,1)];
    K=P*H'*inv(H*P*H'+R);
    X=X+K*(Zk-H*X);
    P=P-K*H*P;
end
X
P
toc

输出结果：

X =

   99.1077
  198.2642
  297.1439


P =

    0.0079         0         0
         0    0.0079         0
         0         0    0.0093

时间已过 0.012223 秒。