Generalized Forgetting Recursive Least Squares: Stability and Robustness Guarantees
本文提出广义遗忘递归最小二乘(GF-RLS),统一了RLS的多种扩展,并给出了无噪声固定参数估计的稳定性充分条件以及含噪声时变参数估计的鲁棒性保证。
2024-05-06 cs.SY eess.SP eess.SY
Selective Memory Recursive Least Squares: Recast Forgetting into Memory in RBF Neural Network Based Real-Time Learning
Harbin Institute of Technology(哈尔滨工业大学);University of Sussex(萨塞克斯大学)
本文提出选择性记忆递归最小二乘(SMRLS)方法,将RBF神经网络中的遗忘机制重塑为基于样本时空分布的记忆机制,以解决被动知识遗忘问题,并提升实时学习速度与泛化能力。
2023-08-08 cs.LG cs.NE cs.SY
Inverter Output Impedance Estimation in Power Networks: A Variable Direction Forgetting Recursive-Least-Square Algorithm Based Approach
本文提出一种基于VDF-RLS的非侵入式逆变器输出阻抗估计方法,通过dq坐标变换、辅助PLL及仅依赖d轴进行信号调理,在低激励条件下实现比现有方法低三倍以上的估计误差。
2025-04-09 cs.SY eess.SY
On sparsity and directional forgetting in adaptive control
University of Florida(佛罗里达大学);Torch Technologies(火炬技术公司)
本文提出一种结合定向遗忘和L1正则化的稀疏性促进自适应控制律,通过滑模更新实现在线递归最小二乘,在子空间激励下保证误差有界,并在范德波尔振荡器上验证了稀疏恢复与稳定跟踪。
2026-09-22 cs.SY eess.SY
Adaptive Real-Time Numerical Differentiation with Variable-Rate Forgetting and Exponential Resetting
本文针对传感器噪声特性时变未知的问题,提出在自适应输入与状态估计中引入可变速率遗忘和指数重置机制,实现更快速的自适应实时数值微分,并保证协方差矩阵有界。
2023-09-28 cs.SY eess.SP eess.SY
Discrete-time Two-Layered Forgetting RLS Identification under Finite Excitation
Shibaura Institute of Technology(芝浦工业大学)
本文提出了一种在有限激励条件下使用双遗忘因子和扩展回归矩阵的离散时间递归最小二乘方法,以提高参数收敛速率并避免系统不稳定。
2025-07-18 cs.SY eess.SY
Recursive Total Least-Squares Algorithm Based on Inverse Power Method and Dichotomous Coordinate-Descent Iterations
University of South Australia(南澳大学);Aalto University(阿尔托大学)
本文提出一种基于逆幂方法和二分坐标下降迭代的递归总最小二乘算法,相比传统方法,计算复杂度更低且具有渐近无偏性和稳定性,同时推导了遗忘因子下界和稳态均方偏差理论值。
2014-11-11 cs.LG cs.SY eess.SY
Online Data-Driven Reachability Analysis using Zonotopic Recursive Least Squares
Technical University of Munich(慕尼黑工业大学);German University in Cairo(开罗德国大学)
提出基于 EF ZRLS 的在线数据驱动可达性分析框架,可直接从实时状态测量计算可达集过近似,适用于离散时间 LTV 及非线性 Lipschitz 系统,保守性更低且鲁棒性强,经模拟和实际实验验证有效。
2026-08-12 cs.SY eess.SY
Model-free Online Learning for the Kalman Filter: Forgetting Factor and Logarithmic Regret
University of California San Diego(加州大学圣地亚哥分校);Department of Electrical and Computer Engineering(电气与计算机工程系)
针对未知非爆发线性随机系统的在线预测,提出用指数遗忘平衡回归模型,以兼顾回归与正则化误差并降低累积误差,得到 O(log^3 N) 的更锐利对数遗憾界。
2025-05-13 cs.LG cs.SY eess.SP
A local recursive least squares approach for discrete-time adaptive fuzzy control
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Instituto Federal de Educação, Ciência e Tecnologia de Minas Gerais(米纳斯吉拉斯联邦教育、科学和技术学院)
本文提出一种局部递归最小二乘自适应模糊控制方法,通过规则独立协方差与激活式更新降低内存并保证误差有界,并给出LMI综合条件,在三个数值示例中验证了有效性。
2026-10-02 cs.SY eess.SY
Online SOC Estimation of Lithium-ion Battery Based on Improved Adaptive H Infinity Extended Kalman Filter
本文提出遗忘因子递归最小二乘法与改进自适应H无穷扩展卡尔曼滤波的联合算法,用于锂离子电池在线参数辨识和SOC估计,并在两种工况下验证了其优于对比方法的精度与稳定性。
2023-04-16 cs.SY eess.SY
Partial Diffusion Recursive Least-Squares for Distributed Estimation under Noisy Links Condition
Malayer University(马拉耶尔大学);University of Surrey(萨里大学)
本文研究了在噪声链路条件下部分扩散递归最小二乘算法的稳态性能及收敛性,推导了稳态均方偏差理论表达式,并通过仿真结果表明算法稳定性条件不足以保证收敛。
2016-07-19 cs.DC cs.SI cs.SY
Simultaneous Recursive Identification of Parameters and Switching Manifolds Identification of Discrete-Time Switched Linear Systems
提出了一类离散切换线性系统在线辨识的新方法,该方法可同时估计系统的参数和切换流形。首先,为了估计子系统的参数,设计了一种基于离散时间并行学习的递归参数估计器,以保证估计误差指数收敛到零。其次,作为辨识框架的辅助过程,提出了一种利用并发学习估计器产生的历史堆栈进行在线切换检测的方法。第三,应用增量式支持向量机技术,建立了估计系统切换流形的递推算法,并通过基于李纳普诺夫方法证明了算法的稳定性。最后,通过对一个二阶切换线性系统的数值仿真,验证了所提辨识方法的稳定性和精度。与传统的离线识别方法相比,本文提出的在线识别框架在大数据量下具有更高的识别效率,但在结论中也讨论了该框架的局限性和前景。
2023-03-07 cs.SY eess.SY
Exponential Convergence of Piecewise-Constant Parameters Identification under Finite Excitation Condition
研究了线性回归方程(LRE)分段常数未知参数的辨识问题。这些参数在回归变量有限(而不是持续)激励的间隔内改变它们的值。为了解决这个问题,改进了I-DREM方法和基于积分的指数遗忘和重置滤波方法:在有限时间区间内对滤波方程进行积分,该区间属于有限激励时间范围。这允许人们在激励区间上获得指数有界的识别误差,并且当LRE参数在这样的区间之外恒定时,提供识别误差到零的指数收敛。此外,所应用的回归量激励归一化方法使得对于不同幅值的回归量获得相同的参数误差收敛速率成为可能。证明了所导出的辨识方法的稳定性和所有上述性质。数值实验结果(包括噪声污染的回归量和输出测量的情况下)完全支持所得到的理论结果。
2021-06-03 cs.SY eess.SY
Recursive Sparse Point Process Regression with Application to Spectrotemporal Receptive Field Plasticity Analysis
University of Maryland, College Park(马里兰大学帕克分校)
本文提出递归稀疏点过程回归方法,通过引入遗忘因子和ℓ1正则化,实现在线估计稀疏时变参数向量,用于分析听觉神经元的频谱时间感受野可塑性。
2015-07-16 cs.NE cs.SY eess.SY
Recursive Identification of Structured Systems: An Instrumental-Variable Approach Applied to Mechanical Systems
本文提出一种结合辅助变量法与块坐标下降的递归辨识算法,用于在可解释加性模型结构中实时估计机械系统的时变动态,并通过仿真和实验验证其有效性。
2025-04-24 cs.SY eess.SY
Low computational cost method for online parameter identification of Li-ion battery in battery management systems using matrix condition number
监测锂离子电池的健康状态在电池管理系统(BMS)中至关重要,它可以帮助最终用户高效安全地使用电池。可以通过使用各种算法识别电池模型的参数来监测电池健康状态。由于BMS的计算能力较低,且参数时变,因此开发一种低计算成本的在线算法非常重要。在各种方法中,基于等效电路模型(ECM)的递归最小二乘(RLS)参数辨识非常适合于这种困难的BMS环境。然而,RLS的一个众所周知的关键问题是,它很可能是数值不稳定的,除非测量的输入使电池模型足够的激励。本文针对锂离子电池参数辨识问题,提出了一种新的RLS算法--条件记忆递归最小二乘(CMRLS),以解决此类问题,同时根据条件数改变遗忘因子,充分利用RLS的优点。在CMRLS中,使用RLS变量之间的递归关系,通过简单的计算来监控精确的条件数。通过对锂离子电池的仿真,比较了CMRLS和原RLS的性能。结果表明,CMRLS识别锂离子电池参数的平均绝对误差约100倍,比RLS准确。
2020-01-10 cs.SY eess.SP eess.SY