4. 最小二乘法基础：递推最小二乘法(RLS)原理、遗忘因子、协方差矩阵更新

各位工程师朋友，大家好。今天我们聊一个在电机参数辨识里绕不开的话题——递推最小二乘法，也就是RLS。

说实话，我刚入行那会儿，对最小二乘法的理解还停留在“解个超定方程”的层面。直到有一次做PMSM的在线电感辨识，发现每次采样都要重新算一遍矩阵求逆，DSP直接卡死……嗯，从那以后我才真正意识到，递推版本有多重要。

4.1 从批处理到递推：为什么要“递推”？

先说说传统的最小二乘法。你有一堆数据点，想拟合出一条直线或者曲线，让误差平方和最小。这就是批处理最小二乘法（Batch LS）。

它的公式长这样：

θ = (Φ^T Φ)^(-1) Φ^T Y

其中θ是待辨识的参数向量，Φ是观测矩阵，Y是输出向量。

问题在哪？每次有新数据进来，你都得把历史数据全部重新算一遍。如果数据量是1000组，矩阵Φ就是1000×n维，求逆的计算量是O(n³)。

我做过一个实验：在STM32F4上，每来一个采样点就做一次批处理计算，结果采样频率只能跑到200Hz，而电机控制环路通常需要10kHz以上。这显然不行。

递推最小二乘法（RLS）就是为了解决这个问题诞生的。它的核心思想是：

• 保留上一次的估计结果
• 用新数据做“增量修正”
• 不需要重新计算历史数据

说白了，就是让算法“边学边用”，每次只更新一点点。

4.2 RLS的数学推导（我会尽量说人话）

RLS的递推公式其实不复杂，我直接给出来，然后逐条解释：

1. 计算增益向量：
   K(k) = P(k-1) φ(k) / [λ + φ^T(k) P(k-1) φ(k)]

2. 更新参数估计：
   θ(k) = θ(k-1) + K(k) [y(k) - φ^T(k) θ(k-1)]

3. 更新协方差矩阵：
   P(k) = [I - K(k) φ^T(k)] P(k-1) / λ

这里：

• θ(k) 是第k步的参数估计值
• φ(k) 是第k步的观测向量（比如电流、转速）
• y(k) 是第k步的实际输出（比如电压）
• P(k) 是协方差矩阵，代表估计的不确定性
• λ 是遗忘因子，0 < λ ≤ 1

你可能会问：这个K(k)是干嘛的？

你可以把它理解成一个“信任度分配器”。如果新数据的信息量很大（比如电流突然变化），K(k)就大，参数更新幅度就大。如果新数据跟历史数据差不多，K(k)就小，参数基本不动。

4.3 遗忘因子λ：给旧数据“打折”

遗忘因子是RLS里最关键的参数之一。我个人习惯把它叫做“记忆衰减系数”。

λ的取值范围是(0, 1]：

λ取值	含义	适用场景
λ = 1	永不遗忘，所有数据权重相同	系统参数恒定不变
λ = 0.95 ~ 0.99	缓慢遗忘，近期数据权重更大	参数缓慢变化（如温度引起的电阻漂移）
λ = 0.8 ~ 0.9	快速遗忘，适应快速变化	参数突变（如电感饱和）

我在做PMSM电感辨识时遇到过一个问题：电机刚启动时温度低，电阻小；运行几分钟后温度升高，电阻变了。如果λ=1，算法会“记住”初始的冷态电阻，导致后续辨识偏差越来越大。

后来我把λ设为0.98，效果就好多了。但注意，λ太小也不行——参数会跟着噪声乱跳。

4.4 协方差矩阵P(k)：估计的“信心指数”

协方差矩阵P(k)是RLS里另一个核心。它反映了你对当前参数估计的置信程度。

初始值P(0)怎么设？

• 如果你对初始参数很有信心（比如来自铭牌数据），P(0)可以设小一点，比如10³·I
• 如果你完全不知道参数，P(0)设大一点，比如10⁶·I，让算法快速收敛

我刚开始做的时候，把P(0)设成了单位矩阵，结果收敛速度慢得让人抓狂。后来改成P(0)=1000·I，几毫秒就收敛了。

协方差矩阵的更新公式里有个除法——除以λ。这意味着：

• λ越小，P(k)增长越快，算法对新数据越敏感
• λ=1时，P(k)单调递减，算法越来越“固执”

这里有个坑：如果P(k)变得太小，算法会失去跟踪能力，这叫“协方差崩溃”。我曾经在仿真里遇到过，参数突然变化时，RLS完全反应不过来，因为P(k)已经小到增益K(k)几乎为零了。

4.5 RLS的完整实现流程

下面我给出一段C语言风格的伪代码，这是我在实际项目中用过的框架：

// RLS初始化
float theta[N] = {0};      // 参数向量
float P[N][N] = {0};       // 协方差矩阵
float lambda = 0.98;       // 遗忘因子

// 初始化P矩阵
for(i=0; i<N; i++)
    P[i][i] = 1000.0;      // 大初始值

// 主循环（每个采样周期执行一次）
void RLS_Step(float phi[], float y) {
    // 1. 计算中间变量
    float P_phi[N];         // P * phi
    for(i=0; i<N; i++) {
        P_phi[i] = 0;
        for(j=0; j<N; j++)
            P_phi[i] += P[i][j] * phi[j];
    }
    
    // 2. 计算分母：lambda + phi^T * P * phi
    float denom = lambda;
    for(i=0; i<N; i++)
        denom += phi[i] * P_phi[i];
    
    // 3. 计算增益K
    float K[N];
    for(i=0; i<N; i++)
        K[i] = P_phi[i] / denom;
    
    // 4. 计算预测误差
    float error = y;
    for(i=0; i<N; i++)
        error -= phi[i] * theta[i];
    
    // 5. 更新参数
    for(i=0; i<N; i++)
        theta[i] += K[i] * error;
    
    // 6. 更新协方差矩阵
    float temp[N][N];
    for(i=0; i<N; i++)
        for(j=0; j<N; j++)
            temp[i][j] = P[i][j] - K[i] * P_phi[j];
    
    for(i=0; i<N; i++)
        for(j=0; j<N; j++)
            P[i][j] = temp[i][j] / lambda;
}

这段代码看起来有点长，但核心逻辑就三步：算增益、更新参数、更新协方差。实际工程中，我一般会用定点数或者浮点DSP库来加速矩阵运算。

4.6 RLS在PMSM参数辨识中的应用框架

最后，我用一张流程图来总结RLS在电机参数辨识中的位置：

这张图展示的是RLS在PMSM参数辨识中的完整闭环流程。每个采样周期，我们从电机控制器中读取电流、电压和转速数据，构建观测向量φ(k)，然后送入RLS核心进行递推计算，最后输出电阻、电感和磁链等参数。这些参数又可以反馈给控制器，实现自适应控制。

嗯，关于RLS的基础原理就讲到这里。下一节我们会具体讨论如何把RLS应用到PMSM的电阻和电感辨识中，包括观测矩阵怎么构造、数据预处理要注意什么。到时候我会拿一个实际项目的代码来拆解，大家记得带上脑子来就行。

---