正交最小二乘法求解NARMAX

本文介绍了正交最小二乘法在解决非线性系统NARMAX模型求解中的作用,详细阐述了NARMAX模型的结构和求解过程。最小二乘法的三种计算方法被提出,包括高斯消元、正交分解(如modifiedGram-Schmidt和Householder变换)以及奇异值分解,其中Householder变换在实验中得到应用。文章还讨论了如何选择P子集以优化模型复杂性和准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 简介

本文主要根据1988年《Orthogonal least squares methods and their application to non-linear system identification》文中信息提取总结的。

原论文像是一篇综合描述性论文,描述正交最小二乘法及其相关应用,有不少算法细节。

正交最小二乘法用来解决NARMAX模型(non-linear autoregressive moving average with exogenous inputs)的求解。NARMAX是1985年由leontaritis和billings提出的。NARMAX的求解,一是需要确定最终表达式(即模型结构)到底有哪些项(term),比如哪些一次项,哪些二次项,及各种组合;二是就是求解这些项的系数了。

正交的方法可以将模型结构求解和参数求解结合在一起。

2 非线性系统-NARMAX

首先NARMAX的表达式如下,有m个输出y,r个输入u:
在这里插入图片描述

对于其中一个输出y,有下式:

在这里插入图片描述

进而可以写成如下形式,反正y就是由各种不同次元的项组成:

在这里插入图片描述

在这里插入图片描述

接着写成下式,下面的小写p就可以看成上面不同x的组合,
在这里插入图片描述

最后写成如下形式:
在这里插入图片描述

3 最小二乘法

求解上面公式10模型参数θ,就是最小化下面公式:
在这里插入图片描述

这个的求解结果满足下面等式,后续章节的各种最小二乘法就是针对该式进行:
在这里插入图片描述

4 最小二乘法的不同方法

为了计算模型参数θ,有下面3种方法:
1) 求解上面式13,通过高斯消元(gaussian elimination),或者通过在这里插入图片描述的乔莱斯基分解法;

2) 构建一个P的正交分解;这种方法就是我们讨论的正交最小二乘法。包括classical Gram-Schmidt正交(格拉姆-施密特正交)、modified Gram-Schmidt正交、householder 转换(豪斯霍尔德变换)、或者Givens 方法(吉文斯法)等这几种求解。其中modified Gram-Schmidt和householder 转换比其他算法更具竞争力,modified Gram-Schmidt容易编程,但计算量稍微大些,比householder 转换稍微更准确些。

3) 构建一个P的奇异值分解(SVD)。计算成本较高。

5 P子集的选择

当识别一个非线性系统,其结构未知,要避免损失掉重要的项(term),但也不能导致项很多、次元很高。就涉及P的子集的选择。文中对classical Gram-Schmidt正交、modified Gram-Schmidt正交、householder 转换怎么进行子集选择进行了描述。

6 实验结果

下面是采用householder 转换求解NARMAX。

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值