递推最小二乘法(RLS) 上一节中已经给出了LS 法的一次成批型算法,即在获得所有系统输入输出检测数据之后,利用LS 估计式一次性计算出估计值. 成批型LS 法在具体使用时不仅计算量大,占用内存多,而且不能很好适用于在线辨识. 随着控制科学和系统科学的发展,迫切需要发展一种递推参数估计算法,以能实现实时在线地进行辨识系统模型参数以供进行实时控制和预报,如 在线估计 自适应控制和预报 时变参数辨识 故障监测与诊断 仿真等. 递推辨识算法的思想可以概括成 新的参数估计值= 旧的参数估计值+ 修正项 即新的递推参数估计值是在旧的递推估计值的基础上修正而成,这就是递推的概念. 递推算法不仅可减少计算量和存储量,而且能实现在线实时辨识. 递 推算法的特性 本讲主要讲授递推最小二乘(Recursive Least-square, RLS) 法的思想及推导过程,主要内容为: 递推算法 加权RLS 法和渐消记忆RLS 法1 递推算法 递推算法就是依时间顺序,每获得一次新的观测数据就修正一次参数估计值,随着时间的推移,便能获得满意的辨识结果. RLS 法即为上一节的成批型LS 算法的递推化,即将成批型