1) RFF algorithm
递归遗忘最小二乘法
1.
A mixed identification method, which extends the range of application of RFF algorithm, combining RFF algorithm with mutual correlation technique is presented for time-varying systems with dominant time delay.
对具有时变特性的大纯滞后对象进行参数估计是系统辨识的一项重要课题,该文结合递归遗忘最小二乘法和互相关函数,提出了一种联合辨识算法,该方法扩展了递归遗忘最小二乘算法的应用范围。
2) recursive forgetting factor method
带固定遗忘因子的递推最小二乘法
1.
Aimed at the pneumatic position servo system with pole-placement adaptive control,its on-line identification was investigated by using recursive forgetting factor method(RFF) and amendatory square root method.
针对采用极点配置自适应控制的气动位置伺服系统,分别应用带固定遗忘因子的递推最小二乘法和修正平方根法的辨识方法对其进行在线辨识研究。
4) Forgetting Factor Recursive Least-squares
遗忘因子递推最小二乘法
1.
In the method, Forgetting Factor Recursive Least-squares algorithm is used to estimate time-varying parameters The Simulation result shows the change tendency of the parameters according to time.
采用遗忘因子递推最小二乘法辨识算法跟踪时变参数,仿真并给出参数变化曲线。
5) RLS
递归最小二乘法
1.
In this paper,a novel channel tracking algorithm based on Recursive Least Squares(RLS-IC) is proposed for Multi-input multi-output(MIMO) wireless communication systems under frequency flat fading with time variation environment.
该文提出了时变平坦衰落信道环境下多输入多输出(M IMO)通信系统中一种新的基于递归最小二乘法(RLS)的带干扰对消的信道跟踪方法(RLS-IC)。
2.
A new algorithm RLS will be u-tilized in order to study and improve the performance of the DPSK demodulation method.
采用常用的递归最小二乘法(RLS)自适应算法,研究了自适应解调方法对DPSK信号的解调及其性能。
6) recursive least squares method
递归最小二乘法
1.
The recursive least squares method was applied to forecast the tangential force coefficient and slip curve slope.
为避免这种现象的产生,建立了制动气缸压力的非线性模型,利用干扰观测器对黏着系数进行估计,运用递归最小二乘法预测切向力系数与滑移率关系曲线的斜率,采用滑模变结构与逻辑门限值相结合的控制方法对系统进行控制。
2.
And recursive least squares method was used to forecast adhesion-slip curve slope.
为避免这种现象的产生,建立轮轨牵引力矩传递的简化模型,利用干扰观测器对粘着系数以及车辆速度进行估计,运用递归最小二乘法预测切线力系数与相对滑动速度曲线的斜率,以判断当前状态是否滑动,采用模糊PID控制算法对系统进行控制。
补充资料:非线性最小二乘法
以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。设非线性系统的模型为
y=f(x,θ)
式中y是系统的输出,x是输入,θ是参数(它们可以是向量)。这里的非线性是指对参数θ的非线性模型,不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的,经过N次实验取得数据(x1,y1),(x2,y1),...,(xn,yn)。估计参数的准则(或称目标函数)选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性,所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值,而需要采用复杂的优化算法来求解。常用的算法有两类,一类是搜索算法,另一类是迭代算法。
搜索算法的思路是:按一定的规则选择若干组参数值,分别计算它们的目标函数值并比较大小;选出使目标函数值最小的参数值,同时舍弃其他的参数值;然后按规则补充新的参数值,再与原来留下的参数值进行比较,选出使目标函数达到最小的参数值。如此继续进行,直到选不出更好的参数值为止。以不同的规则选择参数值,即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发,然后产生一系列的参数点θ(1)、θ(2)...,如果这个参数序列收敛到使目标函数极小的参数点孌,那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是:
① 给出初始猜测值θ(0),并置迭代步数i=1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i),使得 Q(θ(i))<Q(θ(i)),其中θ(i)=θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足,如果不满足,则将i加1再从②开始重复;如果满足,则取θ(i)为孌。
典型的迭代算法有牛顿-拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外,在时间序列建模、连续动态模型的参数估计中,也往往遇到求解非线性最小二乘问题。
y=f(x,θ)
式中y是系统的输出,x是输入,θ是参数(它们可以是向量)。这里的非线性是指对参数θ的非线性模型,不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的,经过N次实验取得数据(x1,y1),(x2,y1),...,(xn,yn)。估计参数的准则(或称目标函数)选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性,所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值,而需要采用复杂的优化算法来求解。常用的算法有两类,一类是搜索算法,另一类是迭代算法。
搜索算法的思路是:按一定的规则选择若干组参数值,分别计算它们的目标函数值并比较大小;选出使目标函数值最小的参数值,同时舍弃其他的参数值;然后按规则补充新的参数值,再与原来留下的参数值进行比较,选出使目标函数达到最小的参数值。如此继续进行,直到选不出更好的参数值为止。以不同的规则选择参数值,即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发,然后产生一系列的参数点θ(1)、θ(2)...,如果这个参数序列收敛到使目标函数极小的参数点孌,那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是:
① 给出初始猜测值θ(0),并置迭代步数i=1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i),使得 Q(θ(i))<Q(θ(i)),其中θ(i)=θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足,如果不满足,则将i加1再从②开始重复;如果满足,则取θ(i)为孌。
典型的迭代算法有牛顿-拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外,在时间序列建模、连续动态模型的参数估计中,也往往遇到求解非线性最小二乘问题。
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