簡(jiǎn)介面向動(dòng)態(tài)系統(tǒng)參數(shù)估計(jì)與在線學(xué)習(xí)場(chǎng)景遞推最小二乘算法RLS程序代碼與Word實(shí)驗(yàn)報(bào)告打包在一起適合需要理解RLS原理并上手Python實(shí)現(xiàn)的算法學(xué)習(xí)者、數(shù)據(jù)分析和自動(dòng)化控制方向?qū)W生。壓縮包共3個(gè)文件包含一個(gè)Python腳本用于算法實(shí)現(xiàn)一個(gè)txt程序說(shuō)明便于快速運(yùn)行一個(gè)doc詳細(xì)實(shí)驗(yàn)報(bào)告系統(tǒng)講解算法背景、推導(dǎo)、代碼解析與實(shí)驗(yàn)結(jié)果。包體僅316KB輕量實(shí)用。已有466人學(xué)習(xí)下載。讀者可對(duì)照代碼逐行理解初始化、預(yù)測(cè)、更新、遺忘因子設(shè)定等關(guān)鍵步驟再通過(guò)實(shí)驗(yàn)報(bào)告中的結(jié)果分析掌握RLS在實(shí)際數(shù)據(jù)上的表現(xiàn)與調(diào)參思路形成從理論到實(shí)踐的完整閉環(huán)。由于報(bào)告和代碼均來(lái)自真實(shí)實(shí)驗(yàn)整理尤其適合完成課程設(shè)計(jì)、復(fù)習(xí)算法或作為畢業(yè)設(shè)計(jì)參考。 這個(gè)文件名我太熟了。打開(kāi)你手里的這份壓縮包里面要么是一段能跑出參數(shù)收斂曲線的MATLAB或Python代碼要么是一份排版規(guī)整的Word實(shí)驗(yàn)報(bào)告通常兩個(gè)都有。遞推最小二乘Recursive Least SquaresRLS是系統(tǒng)辨識(shí)、自適應(yīng)控制和信號(hào)處理課程里繞不開(kāi)的一塊內(nèi)容它解決的是“系統(tǒng)參數(shù)未知如何用實(shí)時(shí)采集的數(shù)據(jù)不斷修正對(duì)參數(shù)的估計(jì)”這個(gè)問(wèn)題。說(shuō)人話就是你有一堆輸入輸出數(shù)據(jù)但不知道系統(tǒng)內(nèi)部長(zhǎng)什么樣RLS能一邊收數(shù)據(jù)一邊把系統(tǒng)模型的參數(shù)猜出來(lái)而且每來(lái)一個(gè)新數(shù)據(jù)點(diǎn)就更新一次猜測(cè)結(jié)果。這套資源適合誰(shuí)兩類人最需要。一類是自動(dòng)化、控制工程專業(yè)的學(xué)生課程設(shè)計(jì)和實(shí)驗(yàn)報(bào)告能直接用另一類是剛?cè)腴T的工程師想在仿真環(huán)境里先驗(yàn)證RLS算法再往嵌入式或?qū)崟r(shí)控制里移植。今天我寫這篇文章不只是帶你把這個(gè)壓縮包里的代碼跑通更重要的是把RLS的推導(dǎo)邏輯、程序?qū)崿F(xiàn)、實(shí)驗(yàn)報(bào)告寫法以及那些文檔里不會(huì)寫明白的調(diào)參細(xì)節(jié)一次性講透。1. 壓縮包里的RLS先搞明白這個(gè)算法解決什么問(wèn)題1.1 從批量最小二乘到遞推形式先回到最樸素的場(chǎng)景。假設(shè)你想辨識(shí)一個(gè)單輸入單輸出系統(tǒng)的參數(shù)用差分方程描述y(k) a1·y(k-1) b1·u(k-1) v(k)其中u是輸入y是輸出v是噪聲a1、b1就是要辨識(shí)的參數(shù)。傳統(tǒng)的最小二乘法很直接攢夠N組數(shù)據(jù)把方程組寫成矩陣形式Y(jié) Φ·θ然后用θ (Φ?Φ)?1·Φ?Y一次性求出參數(shù)估計(jì)值。這樣做的缺點(diǎn)是顯而易見(jiàn)的數(shù)據(jù)必須全部保存計(jì)算量隨數(shù)據(jù)量增長(zhǎng)而且系統(tǒng)參數(shù)一旦隨時(shí)間變化舊數(shù)據(jù)反而變成干擾。RLS的思路就是把上面的批量計(jì)算拆成一步一步的迭代。每一時(shí)刻只用當(dāng)前新數(shù)據(jù)修正上一次的參數(shù)估計(jì)值舊的估計(jì)結(jié)果不推翻重來(lái)而是順著誤差方向微調(diào)。用生活類比的話批量最小二乘就像期末考試一次把整本書都背完再答題RLS則是每節(jié)課后都復(fù)習(xí)一遍知識(shí)不斷滾動(dòng)更新。后者天然適合在線場(chǎng)景比如電機(jī)參數(shù)辨識(shí)、飛行器氣動(dòng)參數(shù)估計(jì)、自適應(yīng)噪聲對(duì)消這類場(chǎng)景要求算法在數(shù)據(jù)到達(dá)后立刻給出結(jié)果做不到把數(shù)據(jù)保存下來(lái)再統(tǒng)一處理。1.2 RLS的核心更新公式到底在算什么RLS的每一次迭代要算三件事預(yù)測(cè)誤差、增益向量、協(xié)方差矩陣更新。公式如下預(yù)測(cè)誤差e(k) y(k) - φ?(k)·θ(k-1)增益向量K(k) P(k-1)·φ(k) / (λ φ?(k)·P(k-1)·φ(k))參數(shù)更新θ(k) θ(k-1) K(k)·e(k)協(xié)方差矩陣更新P(k) (I - K(k)·φ?(k))·P(k-1) / λ這里的φ(k)是回歸向量由過(guò)去輸入輸出構(gòu)成θ是待辨識(shí)參數(shù)向量λ是遺忘因子取值在0到1之間。你能看到每個(gè)公式的角色預(yù)測(cè)誤差衡量當(dāng)前模型“猜得準(zhǔn)不準(zhǔn)”增益向量決定“這個(gè)誤差該按多大比例修正參數(shù)”協(xié)方差矩陣則記錄了參數(shù)估計(jì)的不確定度。很多人學(xué)到這里會(huì)被矩陣符號(hào)繞暈。我的理解方式是P矩陣其實(shí)承擔(dān)了“學(xué)習(xí)率調(diào)度器”的角色。剛開(kāi)始你對(duì)參數(shù)一無(wú)所知P初始值設(shè)得很大增益K就大數(shù)據(jù)對(duì)參數(shù)修正的步幅也大隨著數(shù)據(jù)積累P逐漸變小增益收縮參數(shù)修正越來(lái)越精細(xì)。遺忘因子λ則控制“舊數(shù)據(jù)被遺忘的速度”λ越接近1算法越信任歷史數(shù)據(jù)參數(shù)估計(jì)越平滑λ越小算法越重視近期數(shù)據(jù)跟蹤時(shí)變參數(shù)的能力變強(qiáng)但對(duì)噪聲也更敏感。1.3 這份“程序代碼實(shí)驗(yàn)報(bào)告”資源包的原始價(jià)值下載這種壓縮包的人多半不是要研究理論而是遇到了實(shí)際問(wèn)題明天要交實(shí)驗(yàn)報(bào)告論文里需要仿真對(duì)比圖或者項(xiàng)目里需要一個(gè)在線辨識(shí)模塊。壓縮包的價(jià)值在于它一次給了你兩條線能跑的代碼給你一個(gè)可以直接改的起點(diǎn)Word報(bào)告給你一個(gè)結(jié)構(gòu)和寫法上的參考。但我也要潑一盆冷水網(wǎng)上這類資源的質(zhì)量參差不齊。有些代碼寫得草率沒(méi)有加遺忘因子也不做信號(hào)激勵(lì)設(shè)計(jì)跑出來(lái)的曲線根本不收斂有些報(bào)告數(shù)據(jù)是編的圖和代碼對(duì)不上。你下載之后第一件事不是打開(kāi)Word看結(jié)論而是先跑代碼把每一步運(yùn)行結(jié)果和報(bào)告里的圖對(duì)照一遍確認(rèn)這份資源是不是自洽的。2. 原理深挖遺忘因子、協(xié)方差矩陣和參數(shù)收斂性2.1 為什么一定要加遺忘因子標(biāo)準(zhǔn)RLS推導(dǎo)中λ1也就是所有歷史數(shù)據(jù)權(quán)重相同。這在參數(shù)恒定的系統(tǒng)里沒(méi)問(wèn)題可實(shí)際系統(tǒng)很難一直不變電機(jī)繞組溫度升高導(dǎo)致電阻變化飛機(jī)飛行速度改變導(dǎo)致氣動(dòng)參數(shù)變化液壓系統(tǒng)油溫變化導(dǎo)致摩擦系數(shù)漂移。如果參數(shù)變了而算法還把所有歷史數(shù)據(jù)一視同仁收斂結(jié)果就會(huì)被舊數(shù)據(jù)拖住響應(yīng)跟不上變化。引入遺忘因子的本質(zhì)是對(duì)誤差函數(shù)里的歷史項(xiàng)做指數(shù)加權(quán)。RLS極小化的準(zhǔn)則函數(shù)是J(θ) Σ λ^(k-i)·e2(i)從i1到k求和。λ0.98時(shí)50步之前的數(shù)據(jù)權(quán)重衰減到約0.36100步前的數(shù)據(jù)只剩約0.13。這就像記筆記時(shí)每隔一段時(shí)間就擦掉舊內(nèi)容給新內(nèi)容留出空間。選λ的經(jīng)驗(yàn)規(guī)則是系統(tǒng)參數(shù)變化快就取0.95~0.98變化慢或基本不變就取0.99~1。取太小的話參數(shù)估計(jì)容易跟著噪聲抖成心電圖。2.2 初始值P(0)和θ(0)的選取邏輯RLS啟動(dòng)時(shí)需要兩個(gè)初始值θ(0)和P(0)。θ(0)好辦沒(méi)先驗(yàn)信息就設(shè)全零或者設(shè)一個(gè)粗略的估計(jì)值。P(0)則有個(gè)經(jīng)驗(yàn)法則——設(shè)成一個(gè)大數(shù)乘以單位陣比如P(0) 1000·I甚至更大。為什么P(0)要大回到增益公式看P(0)大意味著K(1)大最初幾步參數(shù)更新步幅大能把θ從“瞎猜”迅速拉到接近真值的區(qū)域。如果P(0)設(shè)太小比如設(shè)成0.1·I增益始終很小參數(shù)收斂會(huì)非常慢甚至看起來(lái)像不動(dòng)了。我見(jiàn)過(guò)有人把P(0)設(shè)成0直接導(dǎo)致算法完全不更新排查半天才發(fā)現(xiàn)是初始協(xié)方差設(shè)置的問(wèn)題。另外要注意P矩陣在在線運(yùn)行中必須保持正定對(duì)稱如果出現(xiàn)數(shù)值漂移導(dǎo)致P失去正定性整個(gè)遞推會(huì)發(fā)散。實(shí)際工程中必要時(shí)可以定期檢查P的最小特征值。2.3 輸入信號(hào)激勵(lì)與參數(shù)可辨識(shí)性RLS不是對(duì)任何數(shù)據(jù)都有效。如果輸入信號(hào)u(k)一直是常數(shù)或者只有一個(gè)固定的幅值那么回歸向量φ(k)的各維之間會(huì)高度相關(guān)Φ?Φ接近奇異P矩陣會(huì)急劇膨脹參數(shù)估計(jì)過(guò)程會(huì)出現(xiàn)劇烈震蕩甚至發(fā)散。這種現(xiàn)象背后的理論叫“持續(xù)激勵(lì)條件”。簡(jiǎn)單理解就是輸入信號(hào)要足夠豐富能把系統(tǒng)的各個(gè)模態(tài)都激發(fā)出來(lái)。最常用的方式是輸入偽隨機(jī)二進(jìn)制序列PRBS或者疊加不同頻率的正弦信號(hào)。做仿真和實(shí)驗(yàn)時(shí)我通常用MATLAB的idinput函數(shù)生成帶幅值限制的PRBS信號(hào)這樣既保證激勵(lì)充分又不會(huì)讓系統(tǒng)工作點(diǎn)跑出線性區(qū)間。這一點(diǎn)在實(shí)驗(yàn)報(bào)告里值得專門寫一段因?yàn)樵u(píng)委或老師很容易問(wèn)“為什么輸入信號(hào)長(zhǎng)這樣”。3. 程序代碼實(shí)操一份能直接跑出收斂曲線的實(shí)現(xiàn)3.1 仿真環(huán)境準(zhǔn)備與數(shù)據(jù)生成下載的壓縮包如果直接用最好如果沒(méi)有或者代碼有問(wèn)題你就自己動(dòng)手寫一個(gè)完整demo。推薦用MATLAB因?yàn)橄到y(tǒng)辨識(shí)工具箱和處理曲線都方便如果用PythonNumPy足夠完成核心計(jì)算Matplotlib負(fù)責(zé)畫圖。仿真對(duì)象用一個(gè)帶噪的二階差分方程y(k) 1.5·y(k-1) - 0.7·y(k-2) 0.5·u(k-1) 0.3·u(k-2) v(k)其中v(k)是均值為0、方差0.01的高斯白噪聲。真參數(shù)向量θ [1.5, -0.7, 0.5, 0.3]。這樣的系統(tǒng)模仿一個(gè)欠阻尼的二階動(dòng)態(tài)系統(tǒng)辨識(shí)難度適中能明顯看到收斂過(guò)程又不至于收斂不了。數(shù)據(jù)長(zhǎng)度取500步前200步讓參數(shù)估計(jì)收斂后300步觀察穩(wěn)態(tài)精度。如果想測(cè)試遺忘因子的效果可以在第300步把真實(shí)參數(shù)突變一下比如a1從1.5改到1.2看算法能否跟上。3.2 核心代碼逐段解讀下面是MATLAB版本的RLS核心循環(huán)結(jié)構(gòu)就是“數(shù)據(jù)生成—初始化—遞推—畫圖”。Python版本原理相同稍后在3.3給出裁剪版% 參數(shù)設(shè)置 N 500; lambda 0.99; theta_true [1.5; -0.7; 0.5; 0.3]; % 信號(hào)生成 u idinput(N, prbs, [0 1/5], [-1 1]); % PRBS激勵(lì)信號(hào) v 0.1 * randn(N, 1); y zeros(N, 1); phi zeros(4, 1); theta_est zeros(4, N); P 1000 * eye(4); for k 3:N % 組裝回歸向量: [y(k-1), y(k-2), u(k-1), u(k-2)] phi [y(k-1); y(k-2); u(k-1); u(k-2)]; % 生成當(dāng)前輸出 y(k) phi * theta_true v(k); % RLS核心三件事 e y(k) - phi * theta_est(:, k-1); % 預(yù)測(cè)誤差 K P * phi / (lambda phi * P * phi); % 增益向量 theta_est(:, k) theta_est(:, k-1) K * e; % 參數(shù)更新 P (eye(4) - K * phi) * P / lambda; % 協(xié)方差更新 end % 作圖 t 1:N; plot(t, theta_est); legend(a1, a2, b1, b2);這段代碼里最需要注意的循環(huán)順序先用當(dāng)前數(shù)據(jù)更新y(k)再用更新后的y(k)參與遞推計(jì)算。如果順序?qū)懛匆簿褪怯蒙弦徊降膟值算回歸向量那相當(dāng)于引入了一步延遲收斂結(jié)果會(huì)有系統(tǒng)性偏差。另外P的更新公式里沒(méi)有直接寫成P P - K·φ?·P這種形式而是保留除法因子λ在遺忘因子不等于1時(shí)必須在除法里包含λ否則遺忘因子不會(huì)起到作用。3.3 Python版本NumPy實(shí)現(xiàn)的核心片段如果你更習(xí)慣Python核心計(jì)算部分幾乎可以一行不差地翻譯過(guò)來(lái)。import numpy as np import matplotlib.pyplot as plt N 500 lam 0.99 theta_true np.array([1.5, -0.7, 0.5, 0.3]) # PRBS可用隨機(jī)二值信號(hào)近似 rng np.random.default_rng(42) u rng.choice([-1.0, 1.0], sizeN) v 0.1 * rng.standard_normal(N) y np.zeros(N) theta_est np.zeros((4, N)) P 1000 * np.eye(4) theta_hat np.zeros(4) for k in range(2, N): phi np.array([y[k-1], y[k-2], u[k-1], u[k-2]]) y[k] phi theta_true v[k] e y[k] - phi theta_hat K P phi / (lam phi P phi) theta_hat theta_hat K * e P (np.eye(4) - np.outer(K, phi)) P / lam theta_est[:, k] theta_hatPython版本注意兩個(gè)細(xì)節(jié)K的計(jì)算要區(qū)分向量?jī)?nèi)積和矩陣乘向量公式里分母是標(biāo)量分子是P·φ的列向量更新theta_est時(shí)要用theta_hat的副本避免淺拷貝導(dǎo)致歷史值被覆蓋。仿真跑下來(lái)前50步參數(shù)會(huì)快速逼近真值后面基本貼著真值上下波動(dòng)波動(dòng)幅度取決于噪聲方差和遺忘因子的組合。4. 實(shí)驗(yàn)報(bào)告怎么寫從實(shí)驗(yàn)?zāi)康牡浇Y(jié)果分析一條線4.1 報(bào)告結(jié)構(gòu)框架與每個(gè)板塊的寫作重心打開(kāi)資源包里的Word報(bào)告你會(huì)發(fā)現(xiàn)一個(gè)相對(duì)標(biāo)準(zhǔn)的實(shí)驗(yàn)報(bào)告模板。我見(jiàn)過(guò)太多學(xué)生把實(shí)驗(yàn)報(bào)告寫成“操作說(shuō)明書”目的寫“熟悉RLS算法”原理抄一段公式步驟列幾條結(jié)果貼兩張圖。這樣的報(bào)告分?jǐn)?shù)不會(huì)高。一份高質(zhì)量的實(shí)驗(yàn)報(bào)告需要做到四件事問(wèn)題定義清楚、推導(dǎo)鏈條完整、結(jié)果有對(duì)比、結(jié)論有解釋。實(shí)驗(yàn)?zāi)康牟糠植皇菑?fù)述算法定義而是說(shuō)明“在什么假設(shè)下、辨識(shí)什么系統(tǒng)、達(dá)到什么精度”。比如可以寫成在輸入信號(hào)滿足持續(xù)激勵(lì)、噪聲為零均值白噪聲的假設(shè)下采用帶遺忘因子的遞推最小二乘法對(duì)二階帶噪系統(tǒng)進(jìn)行在線參數(shù)辨識(shí)分析收斂速度、穩(wěn)態(tài)精度及遺忘因子對(duì)跟蹤性能的影響。這樣一句話把模型、方法、場(chǎng)景、指標(biāo)全概括了。原理部分除了公式強(qiáng)烈建議寫一小段推導(dǎo)說(shuō)明RLS是“如何從批量最小二乘推導(dǎo)到遞推形式的”通常的路徑是寫出最小二乘準(zhǔn)則函數(shù)—求導(dǎo)得法方程—引入矩陣求逆引理—整理出遞推三項(xiàng)公式。這個(gè)推導(dǎo)是老師最喜歡在答辯時(shí)提問(wèn)的地方。4.2 結(jié)果呈現(xiàn)參數(shù)收斂曲線、誤差曲線與指標(biāo)表結(jié)果部分要有圖有表三樣?xùn)|西最必要參數(shù)估計(jì)隨時(shí)間變化的收斂曲線、模型輸出的預(yù)測(cè)誤差曲線、不同遺忘因子下的性能對(duì)比表。參數(shù)收斂曲線用折線圖把真值用虛線畫出來(lái)讀者一眼就能看出估計(jì)值是否收斂到真值。預(yù)測(cè)誤差曲線能反映模型精度變化誤差應(yīng)該在初始階段偏大然后逐漸衰減到噪聲水平。性能對(duì)比表可以列出不同λ值下的收斂步數(shù)、穩(wěn)態(tài)均方誤差直觀展示遺忘因子對(duì)跟蹤能力和噪聲抑制能力的影響。這里有個(gè)經(jīng)驗(yàn)之談報(bào)告里的圖不要只貼一張最終結(jié)果圖。建議把λ0.95、0.99、1.0三組實(shí)驗(yàn)放在同一張圖里對(duì)比這樣“遺忘因子越小跟蹤越快但波動(dòng)越大”這個(gè)結(jié)論就能被直觀展示出來(lái)。還有一個(gè)高頻考點(diǎn)是“遞推最小二乘與批量最小二乘的對(duì)比”如果實(shí)驗(yàn)報(bào)告能加一張對(duì)比表在相同數(shù)據(jù)集下比較兩種方法的辨識(shí)精度和計(jì)算時(shí)間整份報(bào)告的價(jià)值會(huì)高一個(gè)檔次。4.3 結(jié)論與心得說(shuō)說(shuō)“怎么看結(jié)果”而不是“做了什么”實(shí)驗(yàn)結(jié)論部分別寫“本文實(shí)現(xiàn)了RLS算法”而要寫“針對(duì)具有零均值噪聲的二階系統(tǒng)當(dāng)遺忘因子λ0.99時(shí)RLS算法在約80步內(nèi)實(shí)現(xiàn)參數(shù)收斂穩(wěn)態(tài)誤差低于噪聲標(biāo)準(zhǔn)差當(dāng)λ0.95時(shí)收斂速度提升至約40步但穩(wěn)態(tài)波動(dòng)增加約50%”。這種結(jié)論才是有信息量的。心得部分可以提幾個(gè)真實(shí)操作中的點(diǎn)比如發(fā)現(xiàn)P(0)初始值對(duì)收斂速度極其敏感、PRBS激勵(lì)信號(hào)相比正弦信號(hào)辨識(shí)效果更穩(wěn)定、遺忘因子太小時(shí)參數(shù)估計(jì)幾乎跟隨噪聲波動(dòng)。這些細(xì)節(jié)能證明你不是把代碼跑一遍就完事而是真正理解了算法的行為。5. 調(diào)試RLS最容易踩的坑基于實(shí)測(cè)的排查經(jīng)驗(yàn)5.1 參數(shù)收斂但偏了檢查數(shù)據(jù)生成順序與噪聲模型癥狀是參數(shù)曲線很平滑地收斂但收斂值跟真值差了一截。最常見(jiàn)的原因是數(shù)據(jù)生成時(shí)噪聲被加到了閉環(huán)里或者回歸向量里用了被噪聲污染的y值但公式里沒(méi)有對(duì)應(yīng)處理。如果你的系統(tǒng)是“輸出端加噪聲”模型也就是y(k) φ?θ v(k)那用普通RLS沒(méi)問(wèn)題因?yàn)樵肼暸c回歸向量不相關(guān)。但如果你把噪聲加到了輸入端u(k)上或者噪聲是有色噪聲參數(shù)估計(jì)就會(huì)出現(xiàn)偏置。這種場(chǎng)景應(yīng)該改成增廣最小二乘或輔助變量法。另一個(gè)容易忽略的點(diǎn)是PRBS信號(hào)的幅值。幅值太小時(shí)輸出中的信號(hào)成分被噪聲淹沒(méi)信噪比過(guò)低參數(shù)估計(jì)的方差會(huì)很大。經(jīng)驗(yàn)做法是先跑一次開(kāi)環(huán)仿真算出輸出信號(hào)的方差讓噪聲方差控制在信號(hào)方差的1%到10%之間。5.2 P矩陣發(fā)散或數(shù)值異常優(yōu)先檢查激勵(lì)和λ如果運(yùn)行中參數(shù)突然跳變到天文數(shù)字大概率是數(shù)值問(wèn)題。第一個(gè)查P矩陣在發(fā)散前是否已經(jīng)出現(xiàn)負(fù)特征值這通常由長(zhǎng)期持續(xù)激勵(lì)不足引起。第二個(gè)查λ是不是設(shè)得太小比如0.9以下協(xié)方差矩陣被不斷放大數(shù)值容易爆炸。第三個(gè)查公式實(shí)現(xiàn)里是否在P更新時(shí)漏掉了除以λ這種低級(jí)錯(cuò)誤會(huì)導(dǎo)致P指數(shù)式增長(zhǎng)。實(shí)際調(diào)試時(shí)我的做法是在循環(huán)里加一個(gè)數(shù)NaN檢查一旦theta_est或P出現(xiàn)非有限值馬上打印當(dāng)前k值、增益范數(shù)和P的跡定位是哪一步開(kāi)始發(fā)散。這種檢查代碼非常短但在排查問(wèn)題時(shí)能省下大量時(shí)間。5.3 參數(shù)能收斂但速度太慢調(diào)P(0)而不是調(diào)λ如果你發(fā)現(xiàn)參數(shù)要幾百步才收斂到真值附近第一個(gè)該調(diào)的是P(0)的量級(jí)而不是λ。把P(0)從100·I改成10000·I收斂速度往往有成倍的提升。這是因?yàn)镻(0)決定了最初的增益大小而λ影響的是整個(gè)時(shí)間區(qū)間內(nèi)的“記憶長(zhǎng)度”用λ去加速收斂會(huì)帶來(lái)穩(wěn)態(tài)波動(dòng)增大的副作用性價(jià)比不高。如果參數(shù)初始偏差特別大也可以考慮分段式策略前100步用較大的P(0)和λ1快速逼近之后切換較小的P和λ1提高跟蹤能力和抑制噪聲。這種“粗調(diào)精調(diào)”的策略在現(xiàn)場(chǎng)調(diào)試中比固定參數(shù)更實(shí)用。6. 把這份資源用得更透后續(xù)擴(kuò)展方向這個(gè)壓縮包提供的RLS實(shí)現(xiàn)只能算一個(gè)起點(diǎn)實(shí)際項(xiàng)目里還有很多擴(kuò)展方向。一個(gè)是把普通RLS改成帶可變遺忘因子的版本根據(jù)預(yù)測(cè)誤差的幅值實(shí)時(shí)調(diào)整λ誤差大時(shí)減小λ提高跟蹤速度誤差小時(shí)增大λ降低波動(dòng)這在目標(biāo)跟蹤和自適應(yīng)控制里很有用。另一個(gè)是向非線性場(chǎng)景擴(kuò)展比如用核函數(shù)把數(shù)據(jù)映射到高維特征空間做核遞推最小二乘或者通過(guò)局部線性化來(lái)處理弱非線性系統(tǒng)。再一個(gè)就是工程化方向把算法用C語(yǔ)言實(shí)現(xiàn)并移植到嵌入式平臺(tái)這時(shí)候需要注意矩陣運(yùn)算庫(kù)的選擇和定點(diǎn)數(shù)處理這是另一個(gè)大的話題。最后再分享一個(gè)我在實(shí)際使用中的習(xí)慣下載這類資源包后我不會(huì)急著用而是先新建一個(gè)測(cè)試腳本把代碼里的參數(shù)全部改成已知值跑通之后再換成真實(shí)數(shù)據(jù)。這一步看起來(lái)多余但能幫你分清“算法問(wèn)題”和“數(shù)據(jù)問(wèn)題”。很多人拿著下載的代碼直接套自己的數(shù)據(jù)跑出來(lái)不收斂就懷疑算法有問(wèn)題實(shí)際上大多數(shù)時(shí)候是初始參數(shù)、激勵(lì)條件或者遺忘因子沒(méi)有適配。先把仿真環(huán)境下標(biāo)定參數(shù)再上真實(shí)數(shù)據(jù)這個(gè)習(xí)慣能避開(kāi)掉進(jìn)最常見(jiàn)的坑。本文還有配套的精品資源點(diǎn)擊獲取