1) local recursive least square
局部递推最小二乘法
2) 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。
3) RLS
递推最小二乘法
1.
Application of RLS in warning controller;
递推最小二乘法在警戒控制器上的应用
2.
RLS parameter identification and emulate based on matlab/simulink;
基于MATLAB的递推最小二乘法辨识与仿真
3.
Its parameters are identified with the Recursive Least Square method(RLS).
建立了水轮机调节系统被控对象的非线性模型,用递推最小二乘法(RLS)对被控对象进行参数辨识。
4) recursive least square algorithm
递推最小二乘法
1.
Then,the coefficients of consequent components in T-S fuzzy logic controller were to be determined with recursive least square algorithm for the empirical data while the membership function parameters of input variable were unaltered.
此方法分为三个阶段,第一阶段依据输入变量的范围来确定输入变量的高斯型隶属度函数;第二阶段在不改变输入变量隶属度函数的前提下,对经验数据施加递推最小二乘法以确定T-S模糊控制器的后件系数;第三阶段,使用梯度下降方法同时优化控制规则的前件参数和后件参数。
5) recursive least squares method
递推最小二乘法
1.
Based on system identification with recursive least squares method,the NLJ optimizing algorithm is used to tune the PID control parameters.
在运用递推最小二乘法在线辨识系统模型参数的基础上,采用NLJ方法(随机数直接搜索法)以ITAE(时间乘误差绝对积分)指标最优为目标对PID控制参数寻优整定。
2.
Based on Hankel s matrix method and augmented least square recursive algorithm,the paper features the recursive least squares method of nonlinear parameter estimation with forgetting factor by introducing the constraint indicator of .
依据Hankel矩阵法,在参数估计准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广最小二乘递推算法,提出一种具有遗忘因子的非线性参数估计的递推最小二乘法。
6) Recursive Least Squares
递推最小二乘法
1.
Multilayer wavelet network structure is determined by genetic algorithm and the weights are identified by Recursive Least Squares with f.
应用遗传算法辨识多层小波网络的结构,用带遗忘因子的递推最小二乘法辨识网络的权值,较好解决了小波网络的结构优化问题。
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