1) estimation with robustified recursive least square method
抗差递推最小二乘估计
2) recursive least-square estimator
递推最小二乘估计器
4) linear mininum variance recursive state stimation
线性最小方差递推估计
5) adaptive robust least squares estimation(ARLSE)
自适应抗差最小二乘估计
6) recursive least square
递推最小二乘法
1.
To overcome the large memory expense in the process of on-line identification by utilizing support vector machine(SVM), least squares support vector machine (LS-SVM) was combined with recursive least square(RLS), the weigh vector and bias were adjusted on-line by RLS algorithm, and on-line identification of inverse dynamic model of system was realized.
为克服支持向量机(support vector machine,SVM)在线辨识过程需要较大的内存开销的问题,该文将递推最小二乘法(recursive least square,RLS)与最小二乘支持向量机(least squares support vector machine,LS-SVM)回归相结合,利用RLS在线调整支持向量机的权向量和偏移量,实现了系统逆动力学模型的在线辨识。
2.
The recursive least square can regulate the Q and R matrix dynamicly and rapidly.
针对Riccati方程中系数矩阵Q和R的调整需凭经验和多次试凑的不足,采用递推最小二乘法对系数矩阵进行在线调整,使系数矩阵的参数进行在线优化,更好地发挥了LQR控制器的优势。
3.
Firstly,the method establishes a heat balance model through modifying the parameter of academic reac- tion heat balance expressions using the recursive least square method.
提出了一种吹炼剩余热组合预测模型,以便能根据剩余热准确确定冷料的加入量,提高冷料的使用率;首先,基于吹炼的化学反应过程得到的剩余热计算公式,采用递推最小二乘法,修正剩余热计算公式,建立热量衡算模型;然后,利用递推最小二乘法,修正剩余热计算经验公式;最后采用组合预测算法综合集成两种模型作为剩余热计算的预测模型;实际应用结果表明:利用集成方法建立的预测模型的相对误差控制在10%的波动范围内,具有较高的预测精度。
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条