دانلود شبیه سازی مقاله شناسایی سیستم با الگوریتم حداقل مربعات بازگشتی مقاوم

شناسایی سیستم با RLS

الگوریتم حداقل مربعات بازگشتی (RLS) یکی از محبوب ترین الگوریتم های فیلترهای تطبیقی است. در مقایسه با الگوریتم کمترین میانگین مربعات یا همان LMS الگوریتم RLS دارای نرخ همگرا بهتر، به ویژه برای سیگنال های ورودی بسیار مرتبط با هم ارائه می دهد. در عوض هزینه این بهبود همگرایی، افزایش در پیچیدگی محاسباتی است. الگوریتم RLS متعلق به خانواده فیلترهای کالمن است و بسیاری از الگوریتم های سازگار (از جمله LMS) را می توان به عنوان تقریبی از آن در نظر گرفت. عملکرد الگوریتم های نوع RLS از لحاظ سرعت همگرا، ردیابی، اشتباه تنظیم و ثبات بستگی به عامل فراموش کردن یا forgetting factor دارد. الگوریتم کلاسیک RLS از عامل فراموش کننده ثابت استفاده می کند و نیاز به سازش بین معیارهای عملکرد قبلی دارد. هنگامی که عامل فراموش شدن بسیار نزدیک به یک است، الگوریتم کم تنظیم صحیح و ثبات خوب را به دست می دهد، اما قابلیت ردیابی آن کاهش می یابد. مقدار کمتری از فرایند فراموش شدن ردیابی را بهبود می بخشد، اما تنظیمات خطا را افزایش می دهد و می تواند ثبات الگوریتم را تحت تأثیر قرار دهد.

از الگوریتم های فیلتر وفقی از جمله الگوریتم حداقل مربعات بازگشتی برای شناسایی سیستم یا system identification استفاده می شود.

عملکرد الگوریتم حداقل مربعات بازگشتی (RLS) توسط عامل فراموشی اداره می شود. این پارامتر منجر به سازش بین 1) قابلیت های ردیابی و 2) تنظیم اشتباه و ثبات می شود. در این مقاله، یک الگوریتم فراموش نشدنی VFF-RLS برای شناسایی سیستم پیشنهاد شده است. به طور کلی، خروجی سیستم ناشناخته با یک سیگنال مانند نویز سر و کار دارد. این سیگنال باید در سیگنال خطای فیلتر تطبیقی پس از این که به یک راه حل واقعی همگرا می شود، بازیابی شود. این شرایط برای کنترل ارزش فاکتور فراموشی استفاده می شود. نتایج شبیه سازی نشان دهنده عملکرد خوب و استحکام الگوریتم پیشنهاد شده است.

در ادامه بخشی از نتایج حاصل از شبیه سازی ها در نرم افزار متلب نشان داده شده است.

الگوریتم حداقل مربعات بازگشتی

الگوریتم حداقل مربعات بازگشتی با فاکتور فراموشی