辅助模型在自回归输出误差系统中的递归迭代最小二乘算法

"基于辅助模型的递归和迭代最小二乘算法用于自回归输出误差自回归系统" 在本文中，作者Qibing Jin、Liting Cao、Ruigeng Yang、Qi Wang和Zhu Wang探讨了一种针对自回归输出误差自回归（AR-OEAR）模型的新型算法，该模型是随机系统建模中的一种特殊输出误差模型。AR-OEAR模型在传统的输出误差模型基础上添加了一个额外的输出信号自回归项，这使得模型更具描述性，但同时也增加了参数估计的复杂性。 文章强调了利用辅助模型的思想来解决这一问题。辅助模型方法是一种在系统识别和参数估计中常用的技术，它通过构建一个近似的辅助模型来简化原问题，然后利用这个辅助模型进行参数的递归或迭代更新。在这种情况下，作者提出了一种基于辅助模型的递归和迭代最小二乘算法，以有效地估计AR-OEAR系统的参数。 递归最小二乘（RLS）算法通常用于在线估计时间序列数据中的参数，它在每次新数据点到来时更新模型参数，从而提供实时的估计。而迭代最小二乘（ILS）算法则是在多次迭代中逐步改进参数估计，以达到最小化误差平方和的目标。结合这两种方法，提出的算法能够在处理AR-OEAR模型时平衡计算效率和估计精度。 文章指出，这种新的算法首先构造一个与AR-OEAR模型相关的辅助模型，然后利用递归和迭代的原则进行参数估计。通过不断地更新和优化，算法能够逐渐逼近真实系统的参数值。这种方法的一个关键优点是它能够处理非线性和噪声影响，这对于实际应用中的系统建模来说非常重要。 关键词包括：最小二乘法、辅助模型、递归方法、迭代方法以及AR-OEAR模型，这些关键词揭示了研究的核心内容和方法。文章的接收和发布日期表明，这项研究是在2013年至2015年间进行并完成的，反映了当时在系统识别领域的最新进展。 这篇研究论文介绍了一种创新的算法，旨在解决自回归输出误差自回归系统中的参数估计问题。通过结合辅助模型的思路和递归迭代技术，该算法提高了对复杂动态系统建模的准确性和适应性，对于理解和应用AR-OEAR模型的工程和科学领域具有重要的理论和实践价值。