矢量拟合（2） - Vector Fitting算法原理

在Sanathanan–Koerner算法中：
$$\tilde{H}(s)=\frac{n(s)}{d(s)}=\frac{{\sum }_{n=0}^{\bar{n}}{a}_n{s}^n}{{\sum }_{n=0}^{\bar{n}}{b}_n{s}^n}$$
求解数值逼近时的误差项：
$${\left(e_{SK}^{(i)}\right)}^2=\frac{1}{\bar{k}}\sum _{k=1}^{\bar{k}}{\left|\frac{H_k{\sum }_{n=0}^{\bar{n}}{b}_n^{(i)}(j{\omega }_k{)}^n-{\sum }_{n=0}^{\bar{n}}{a}_n^{(i)}(j{\omega }_k{)}^n}{{\sum }_{n=0}^{\bar{n}}{b}_n^{(i-1)}(j{\omega }_k{)}^n}\right|}^2$$
会包含频率的多次项，求解的最小二乘问题的矩阵将包含 Vandermonde 块，导致恶化的条件，会增加数值的不稳定性，当条件数变大时，计算结果对输入数据的微小变化会变得非常敏感，可能导致数值解不准确甚至不收敛。
为了解决上述的问题，VF算法用部分分式替代之前的传递函数的表达式
$$\tilde{H}(s)=\frac{n(s)}{d(s)}=\frac{{\sum }_{n=0}^{\bar{n}}{a}_n{s}^n}{{\sum }_{n=0}^{\bar{n}}{b}_n{s}^n}$$
将$\tilde{H}(s)$的分子和分母项分别写作：

$$n^{(i)}=c_0^{(i)}+\sum _{n=1}^n\frac{c_n^{(i)}}{s-p_n^{(0)}}\text{\hspace{1em}(1.10)}$$

$$d^{(i)}=1+\sum _{n=1}^n\frac{d_n^{(i)}}{s-p_n^{(0)}}\text{\hspace{1em}(1.11)}$$

其中：

• $n^{(i)}$和$d^{(i)}$ 分别表示分子和分母多项式。
• $c_0^{(i)}$和$c_n^{(i)}$是分子多项式的系数。
• $d_n^{(i)}$是分母多项式的系数。
• $p_n^{(0)}$表示初始极点，与变量$s$一起出现在分式中。

这里提到的初始极点 $p_n^{(0)}\in \mathbb{C}$是一组复数，将在后续讨论它们的选取方式。可以看到，在公式 (1.11) 中，常数项已标准化为 1，这是不失一般性的处理。与 Sanathanan-Koerner 迭代中使用的幂函数基$s^n$相比，分式$\frac{1}{s-p_n^{(0)}}$的变化在 $s$增加时更加受控。如果选择合适的极点$p_n^{(0)}$，则分式形式在频率上的变化更加平缓。此特性可改善条件数，特别是在极点$p_n^{(0)}$彼此不同且分布较开时，效果更显著。
将（1.10）和（1.11）代入之前的误差表达式（1.9）：

(eSK(i))2=1k∑k=1k∣Hk∑n=0nbn(i)(jωk)n−∑n=0nan(i)(jωk)n(∑n=0nbn(i−1)(jωk)n)2∣2 (e_{SK}^{(i)})^2 = \frac{1}{k} \sum_{k=1}^{k} \left| \frac{H_k \sum_{n=0}^{n} b_n^{(i)} (\text{j}\omega_k)^n - \sum_{n=0}^{n} a_n^{(i)} (\text{j}\omega_k)^n} { \left( \sum_{n=0}^{n} b_n^{(i-1)} (\text{j}\omega_k)^n \right)^2}\right|^2 (eSK(i)​)2=k1​k=1∑k​