递归最小二乘估计
2021/10/18 23:42:39
本文主要是介绍递归最小二乘估计，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！
@[TOC](递归最小二乘估计(Recursive Least Square Estimation))
递归最小二乘估计(Recursive Least Square Estimation)
随着测量次数增加，最小二乘计算量计算量会快速增加，递归最小二乘给出了在线实时计算的递推方程。
矩阵的迹
可参考链接
导数性质
∂
T
r
(
A
X
T
)
∂
X
=
A
\begin{aligned} \frac{\partial{Tr(AX^T)}}{\partial{X}} = A \end{aligned}
∂X∂Tr(AXT)=A
推导
x ^ k − 1 , y k \hat x_{k-1},y_k x^k−1,yk分别为k-1时的估计值及k时测量值，线性递归估计可以表示为：
y k = H k x + v k y_k=H_kx+v_k yk=Hkx+vk
x ^ k = x ^ k − 1 + K k ( y k − H k x ^ k − 1 ) \hat x_k = \hat x_{k-1}+K_k(y_k-H_k\hat x_{k-1}) x^k=x^k−1+Kk(yk−Hkx^k−1)
在已知估计量
x
^
k
−
1
\hat x_{k-1}
x^k−1和当前测量值
y
k
y_k
yk基础上计算
x
^
k
\hat x_{k}
x^k。
K
k
K_k
Kk为增益矩阵，
(
y
k
−
H
k
x
^
k
−
1
)
(y_k-H_k\hat x_{k-1})
(yk−Hkx^k−1)为矫正项。如果
(
y
k
−
H
k
x
^
k
−
1
)
=
0
(y_k-H_k\hat x_{k-1})=0
(yk−Hkx^k−1)=0，则
x
^
k
=
x
^
k
−
1
\hat x_k = \hat x_{k-1}
x^k=x^k−1。
估计量误差均值可以计算如下：
E
(
ϵ
x
,
k
)
=
E
(
x
−
x
^
)
=
E
(
x
−
x
^
k
−
1
−
K
k
(
y
k
−
H
k
x
^
k
−
1
)
)
=
E
(
ϵ
x
,
k
−
1
−
K
k
(
H
k
x
+
v
k
−
H
k
x
^
k
−
1
)
)
=
E
(
ϵ
x
,
k
−
1
−
K
k
H
k
ϵ
x
,
k
−
1
−
K
k
v
k
)
=
(
I
−
K
k
H
k
)
E
(
ϵ
x
,
k
−
1
)
−
K
k
E
(
v
k
)
\begin{aligned} E(\epsilon_{x,k})&= E(x-\hat x) \\ &=E(x-\hat x_{k-1}-K_k(y_k-H_k\hat x_{k-1}))\\ &=E(\epsilon_{x,k-1}-K_k(H_kx+v_k -H_k\hat x_{k-1}))\\ &=E(\epsilon_{x,k-1}-K_kH_k\epsilon_{x,k-1}-K_kv_k)\\ &=(I-K_kH_k)E(\epsilon_{x,k-1})-K_k E(v_k) \end{aligned}
E(ϵx,k)=E(x−x^)=E(x−x^k−1−Kk(yk−Hkx^k−1))=E(ϵx,k−1−Kk(Hkx+vk−Hkx^k−1))=E(ϵx,k−1−KkHkϵx,k−1−Kkvk)=(I−KkHk)E(ϵx,k−1)−KkE(vk)
显然，如果
E
(
ϵ
x
,
k
−
1
)
=
0
E(\epsilon_{x,k-1})=0
E(ϵx,k−1)=0和
E
(
v
k
)
=
0
E(v_k)=0
E(vk)=0，则
(
ϵ
x
,
k
)
=
0
(\epsilon_{x,k})=0
(ϵx,k)=0。
但如果测量噪声
v
k
v_k
vk均值不为0，估计量的初值设为估计值的期望
x
^
0
=
E
(
x
)
)
\hat x_0=E(x))
x^0=E(x))，如此对任意k,有
x
k
=
E
(
x
^
k
x_k=E(\hat x_k
xk=E(x^k)，因而最小二乘估计为无偏估计。
求增益矩阵 K k K_k Kk
优化的目标选取最小化k时估计量的方差，即代价函数
J
k
=
E
[
(
x
1
−
x
^
1
)
2
+
(
x
2
−
x
^
2
)
2
+
⋯
+
(
x
n
−
x
^
n
)
2
]
=
E
[
ϵ
x
1
,
k
2
+
ϵ
x
2
,
k
2
+
⋯
+
ϵ
x
n
,
k
2
]
=
E
[
ϵ
x
,
k
T
ϵ
x
,
k
]
=
E
[
T
r
(
ϵ
x
,
k
ϵ
x
,
k
T
)
]
=
T
r
(
P
k
)
\begin{aligned} J_k&=E[(x_1-\hat x_1)^2+(x_2-\hat x_2)^2+\dots+(x_n-\hat x_n)^2]\\ &=E[\epsilon_{x1,k}^2+\epsilon_{x2,k}^2+\dots+\epsilon_{xn,k}^2]\\ &=E[\epsilon_{x,k}^T\epsilon_{x,k}]\\ &=E[Tr(\epsilon_{x,k}\epsilon_{x,k}^T)]\\ &=Tr(P_k) \end{aligned}
Jk=E[(x1−x^1)2+(x2−x^2)2+⋯+(xn−x^n)2]=E[ϵx1,k2+ϵx2,k2+⋯+ϵxn,k2]=E[ϵx,kTϵx,k]=E[Tr(ϵx,kϵx,kT)]=Tr(Pk)
即协方差矩阵
P
k
=
E
[
ϵ
x
,
k
ϵ
x
,
k
T
]
P_k=E[\epsilon_{x,k}\epsilon_{x,k}^T]
Pk=E[ϵx,kϵx,kT]，代入得
P
k
=
E
[
ϵ
x
,
k
ϵ
x
,
k
T
]
=
E
[
(
(
I
−
K
k
H
k
)
E
(
ϵ
x
,
k
−
1
)
−
K
k
E
(
v
k
)
)
(
(
I
−
K
k
H
k
)
E
(
ϵ
x
,
k
−
1
)
−
K
k
E
(
v
k
)
)
T
]
=
(
I
−
K
k
H
k
)
E
(
ϵ
x
,
k
−
1
)
E
(
ϵ
x
,
k
−
1
)
T
(
I
−
K
k
H
k
)
T
−
(
I
−
K
k
H
k
)
E
(
ϵ
x
,
k
−
1
)
E
(
v
k
)
T
K
k
T
−
K
k
E
(
v
k
)
E
(
ϵ
x
,
k
−
1
)
T
(
I
−
K
k
H
k
)
T
+
K
k
E
(
v
k
)
E
(
v
k
)
T
K
k
T
=
(
I
−
K
k
H
k
)
E
(
ϵ
x
,
k
−
1
ϵ
x
,
k
−
1
T
)
(
I
−
K
k
H
k
)
T
+
K
k
E
(
v
k
v
k
T
)
K
k
T
\begin{aligned} P_k&=E[\epsilon_{x,k}\epsilon_{x,k}^T]\\ &=E[((I-K_kH_k)E(\epsilon_{x,k-1})-K_k E(v_k))((I-K_kH_k)E(\epsilon_{x,k-1})-K_k E(v_k))^T]\\ &=(I-K_kH_k)E(\epsilon_{x,k-1})E(\epsilon_{x,k-1})^T(I-K_kH_k)^T-(I-K_kH_k)E(\epsilon_{x,k-1})E(v_k)^TK_k^T\\&-K_k E(v_k)E(\epsilon_{x,k-1})^T(I-K_kH_k)^T+K_k E(v_k)E(v_k)^TK_k^T\\ &=(I-K_kH_k)E(\epsilon_{x,k-1}\epsilon_{x,k-1}^T)(I-K_kH_k)^T+K_k E(v_kv_k^T)K_k^T\\ \end{aligned}
Pk=E[ϵx,kϵx,kT]=E[((I−KkHk)E(ϵx,k−1)−KkE(vk))((I−KkHk)E(ϵx,k−1)−KkE(vk))T]=(I−KkHk)E(ϵx,k−1)E(ϵx,k−1)T(I−KkHk)T−(I−KkHk)E(ϵx,k−1)E(vk)TKkT−KkE(vk)E(ϵx,k−1)T(I−KkHk)T+KkE(vk)E(vk)TKkT=(I−KkHk)E(ϵx,k−1ϵx,k−1T)(I−KkHk)T+KkE(vkvkT)KkT
因为
E
(
v
k
)
E
(
ϵ
x
,
k
−
1
)
T
=
0
E(v_k)E(\epsilon_{x,k-1})^T=0
E(vk)E(ϵx,k−1)T=0，所以
P
k
=
(
I
−
K
k
H
k
)
P
k
−
1
(
I
−
K
k
H
k
)
T
+
K
k
R
k
K
k
T
P_k=(I-K_kH_k)P_{k-1}(I-K_kH_k)^T+K_k R_kK_k^T
Pk=(I−KkHk)Pk−1(I−KkHk)T+KkRkKkT
对代价函数关于增益矩阵求偏导，得
∂
J
k
∂
K
k
=
2
(
I
−
K
k
H
k
)
P
k
−
1
(
−
H
k
T
)
+
2
K
k
R
k
\begin{aligned} {\partial J_k \over \partial K_k}=2(I-K_kH_k)P_{k-1}(-H_k^T)+2K_k R_k \end{aligned}
∂Kk∂Jk=2(I−KkHk)Pk−1(−HkT)+2KkRk
令
∂
J
k
∂
K
k
=
0
{\partial J_k \over \partial K_k}=0
∂Kk∂Jk=0，得
2
(
I
−
K
k
H
k
)
P
k
−
1
(
−
H
k
T
)
+
2
K
k
R
k
=
0
K
k
=
P
k
−
1
H
k
T
(
H
k
P
k
−
1
H
k
T
+
R
k
)
−
1
\begin{aligned} 2(I-K_kH_k)P_{k-1}(-H_k^T)+2K_k R_k = 0\\ K_k=P_{k-1}H_k^T(H_kP_{k-1}H_k^T+R_k)^{-1} \end{aligned}
2(I−KkHk)Pk−1(−HkT)+2KkRk=0Kk=Pk−1HkT(HkPk−1HkT+Rk)−1
递归最小二乘估计流程
1.初始化
x ^ 0 = E ( x ) \hat x_0=E(x) x^0=E(x)
P 0 = E [ ( x − x ^ 0 ) ( x − x ^ 0 ) T ] P_0=E[(x-\hat x_0)(x - \hat x_0)^T] P0=E[(x−x^0)(x−x^0)T]
2.for k = 1,2,
…
\dots
…
K
k
=
P
k
−
1
H
k
T
(
H
k
P
k
−
1
H
k
T
+
R
k
)
−
1
K_k=P_{k-1}H_k^T(H_kP_{k-1}H_k^T+R_k)^{-1}
Kk=Pk−1HkT(HkPk−1HkT+Rk)−1
x ^ k = x ^ k − 1 + K k ( y k − H k x ^ k − 1 ) \hat x_k = \hat x_{k-1}+K_k(y_k-H_k\hat x_{k-1}) x^k=x^k−1+Kk(yk−Hkx^k−1)
P k = ( I − K k H k ) P k − 1 ( I − K k H k ) T + K k R k K k T P_k=(I-K_kH_k)P_{k-1}(I-K_kH_k)^T+K_k R_kK_k^T Pk=(I−KkHk)Pk−1(I−KkHk)T+KkRkKkT
替代形式
这篇关于递归最小二乘估计的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！
- 2024-11-23Springboot应用的多环境打包入门
- 2024-11-23Springboot应用的生产发布入门教程
- 2024-11-23Python编程入门指南
- 2024-11-23Java创业入门：从零开始的编程之旅
- 2024-11-23Java创业入门：新手必读的Java编程与创业指南
- 2024-11-23Java对接阿里云智能语音服务入门详解
- 2024-11-23Java对接阿里云智能语音服务入门教程
- 2024-11-23JAVA对接阿里云智能语音服务入门教程
- 2024-11-23Java副业入门：初学者的简单教程
- 2024-11-23JAVA副业入门：初学者的实战指南
