最小二乘法(LS)要求系统的先验统计知识少,算法简单,计算量小,收敛性能好,而且参数是真值的无偏估计,保证了估计的可靠性。
非递推最小二乘法计算公式的缺点是每次计算参数都得重新利用过去的数据,计算次数正比于n的平方(n为阶次)。当利用高阶AR模型近似ARMA模型时,随着n的增大,计算量会较快增长。一般利用递推最小二乘法(RLS)公式估计参数(邓自立——《最有估计理论及其应用》p51)。
最小二乘法在ARMA模型参数估计中被广泛应用,因其算法简单、计算量小和收敛性能良好。然而,非递推最小二乘法的计算复杂度随着阶次增加迅速增长。为解决这一问题,通常采用递推最小二乘法(RLS)进行参数估计,以降低计算负担并确保估计的可靠性。
最小二乘法(LS)要求系统的先验统计知识少,算法简单,计算量小,收敛性能好,而且参数是真值的无偏估计,保证了估计的可靠性。
非递推最小二乘法计算公式的缺点是每次计算参数都得重新利用过去的数据,计算次数正比于n的平方(n为阶次)。当利用高阶AR模型近似ARMA模型时,随着n的增大,计算量会较快增长。一般利用递推最小二乘法(RLS)公式估计参数(邓自立——《最有估计理论及其应用》p51)。
您可能感兴趣的与本文相关的镜像
Stable-Diffusion-3.5
Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

被折叠的 条评论
为什么被折叠?