第1章：参数自适应调整基础

1.1 参数估计的基本概念

各位同学，咱们今天聊聊参数估计。说白了，就是通过系统的输入输出数据，把模型里那些未知的系数给揪出来。

我刚开始做自适应控制那会儿，总觉得参数估计是个黑盒子。后来踩过几次坑才明白——参数估计的本质，就是让模型输出尽量贴近真实系统的输出。

举个例子。你有个电机，想控制它的转速。你建了个模型：

y(k) = a·y(k-1) + b·u(k-1)

这里的 a 和 b 就是未知参数。你给电机加电压 u，测转速 y，然后想办法把 a 和 b 算出来。这就是参数估计。

我个人习惯把参数估计分成两类：

• 离线估计：数据全部采集完，一次性算参数。适合系统特性变化慢的场合。
• 在线估计：边采集数据边更新参数。自适应控制里用的就是这种。

嗯，这里要注意：在线估计对算法的实时性要求很高。你算得太慢，控制周期都过了，参数还没更新完，那就麻烦了。

1.2 最小二乘法原理

最小二乘法，名字听着挺唬人。其实核心思想就一句话：让误差的平方和最小。

为什么会用平方？我当年也问过这个问题。绝对值不行吗？行，但平方函数处处可导，数学上处理起来方便。说白了，就是图个省事。

咱们来看个具体例子。假设你有个系统：

y(k) = θ·φ(k) + e(k)

其中 θ 是待估参数，φ(k) 是已知的回归量，e(k) 是噪声。你采集了 N 组数据，想找到最优的 θ̂。

最小二乘法给出的答案是：

θ̂ = (ΦᵀΦ)⁻¹ ΦᵀY

这个公式你肯定见过。但我要提醒你——矩阵求逆是个坑。

你想想看，如果 ΦᵀΦ 不可逆，说明你的数据没有提供足够的信息来唯一确定参数。这时候需要：

• 增加数据量
• 改变输入信号（比如加个伪随机序列）
• 或者改用带约束的估计算法

1.3 递推最小二乘法

离线最小二乘有个硬伤——每次有新数据，都得重新算一遍。这在自适应控制里根本行不通。

递推最小二乘法（RLS）就是来解决这个问题的。它的思路很简单：用旧参数加上修正项，得到新参数。

RLS 的核心公式长这样：

θ̂(k) = θ̂(k-1) + K(k)·[y(k) - φᵀ(k)·θ̂(k-1)]

K(k) = P(k-1)·φ(k) / [λ + φᵀ(k)·P(k-1)·φ(k)]

P(k) = [I - K(k)·φᵀ(k)]·P(k-1) / λ

看着有点复杂？咱们拆开看：

• θ̂(k)：当前时刻的参数估计值
• K(k)：增益矩阵，决定修正力度
• P(k)：协方差矩阵，反映估计的不确定性
• λ：遗忘因子，控制历史数据的权重

RLS 的好处是计算量小，每次迭代只需要 O(n²) 次运算（n 是参数个数）。而且收敛速度快，比梯度下降法快多了。

但 RLS 也有坑。我记得有一次，系统突然受到大扰动，RLS 的参数直接飞了。后来加了数据饱和限制才稳住。

知识体系总览

下面这张图，是我画的本章节知识结构。你看一眼，心里就有谱了。

本章小结

咱们这一章，把参数自适应调整的底子打好了。你记住三件事：

1. 参数估计就是用数据反推模型参数
2. 最小二乘法让误差平方和最小，但要注意矩阵求逆的坑
3. 递推最小二乘法适合在线应用，遗忘因子是调参的关键

说实话，这些概念我当年学的时候也觉得抽象。但后来做项目，一个个坑踩过来，才真正理解它们的价值。你刚开始接触，别着急，慢慢来。

---