[论文解读] A New Exponential Forgetting Algorithm for Recursive Least-Squares Parameter Estimation
该论文提出了一种新型指数遗忘算法，用于递归最小二乘参数估计，可防止估计器风增（windup）现象，并在无需持续激励（PE）条件的情况下保持快速收敛。通过引入基于有界信息矩阵的可变遗忘机制，该算法确保协方差矩阵具有上下界，从而在满足PE条件下保证指数稳定性，在不满足PE条件下保证一致稳定性，实现了方向性遗忘的鲁棒性与指数遗忘的快速性相结合。
This paper develops a new exponential forgetting algorithm that can prevent so-called the estimator windup problem, while retaining fast convergence speed. To investigate the properties of the proposed forgetting algorithm, boundedness of the covariance matrix is first analysed and compared with various exponential and directional forgetting algorithms. Then, stability of the estimation error with and without the persistent excitation condition is theoretically analysed in comparison with the existing benchmark algorithms. Numerical simulations on wing rock motion validate the analysis results.
研究动机与目标
- 解决传统递归最小二乘（RLS）算法中采用指数遗忘（EF）时，当持续激励（PE）条件不满足时出现的估计器风增问题。
- 通过保留EF方法的快速自适应速度，克服方向性遗忘（DF）算法收敛缓慢的问题。
- 提出一种新型EF算法，确保即使在无PE条件时，协方差矩阵的上下界均有界。
- 理论上分析在PE与非PE条件下估计误差的稳定性，突破了以往RLS文献中的标准假设。
- 通过在机翼滚转运动上的数值仿真验证所提算法，证明其在跟踪时变参数和抗噪声干扰方面表现更优。
提出的方法
- 所提算法引入一种可变遗忘因子，根据信息矩阵的特征结构动态调整，确保协方差矩阵有界。
- 采用改进的增益更新规则，防止自适应增益发散，从而避免风增现象。
- 利用李雅普诺夫函数分析方法，建立在PE与非PE条件下均成立的稳定性性质。
- 该方法设计使得信息矩阵在上下界均有界，从而保证稳定性与自适应能力。
- 理论分析借助矩阵分解与有界性条件，证明在PE条件下实现指数稳定性，在无PE条件下实现一致稳定性。
- 遗忘机制仅在新数据能有效替代旧信息时才选择性地降低旧信息权重，模仿方向性遗忘，但保持了EF的收敛速度。
实验结果
研究问题
- RQ1能否设计一种新型指数遗忘算法，在不依赖持续激励条件的情况下防止估计器风增？
- RQ2在非PE条件下，所提算法协方差矩阵的有界性与现有EF和DF算法相比如何？
- RQ3所提算法是否能在避免传统EF算法不稳定性问题的同时，保持与标准EF相当的快速收敛速度？
- RQ4当持续激励条件不满足时，所提算法估计误差的稳定性行为如何？
- RQ5所提算法能否同时实现有界的自适应增益与对时变参数的强跟踪能力？
主要发现
- 所提算法即使在无持续激励（PE）条件时，也能确保协方差矩阵上下有界，从而防止估计器风增。
- 在噪声和缺乏激励的仿真中，李雅普诺夫函数与估计误差保持有界，而传统EF算法则出现发散。
- 所提算法在满足PE条件下实现指数稳定性，在不满足PE条件下实现一致稳定性，其收敛速度与鲁棒性均优于DF算法。
- 数值仿真表明，在t=50秒参数突变后，所提算法收敛速度优于DF算法，且在t=60秒后仍能保持有界误差，具备良好噪声抑制能力。
- 设计参数μ的选择可实现权衡：μ越大，抗噪声能力越强（减少风增）；μ越小，对参数变化的响应越灵敏。
- 在情况2中，30秒后无激励，所提算法的李雅普诺夫函数稳定在约10⁻¹¹，而DF算法始终高于0.01，证实其长期稳定性更优。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。