递归最小二乘算法无法运行求排查：我遗漏了什么？

嘿，我明白你在实现递归最小二乘（RLS）时卡壳了——这种在线迭代算法的细节很容易踩坑，咱们一步步拆解问题，找到症结所在：

一、先确认核心迭代公式是否正确 #

RLS的核心逻辑全靠这三个公式，别在基础上出错：

• 增益更新：K(k) = P(k-1)φ(k) / (λ + φ(k)^T P(k-1)φ(k))
• 权重更新：w(k) = w(k-1) + K(k)(y(k) - φ(k)^T w(k-1))
• 协方差矩阵更新：P(k) = (P(k-1) - K(k)φ(k)^T P(k-1)) / λ

这里要重点注意遗忘因子λ：取值范围是(0,1]，慢时变系统可以取接近1的值（比如0.99），系统变化快就适当调小，但别太小——否则噪声会被过度放大，导致估计结果震荡。

二、初始化参数是否合理 #

RLS对初始值敏感度极高，这是新手最容易忽略的点：

• 权重向量w(0)：如果完全不清楚系统参数，可以初始化为全0向量，或者小范围的随机数
• 协方差矩阵P(0)：通常初始化为大的对角矩阵（比如100*I或1000*I，I是单位矩阵），这样算法在初始阶段能快速适配数据；如果初始化太小，可能会导致收敛极慢甚至不收敛

三、输入输出数据的时序与模型匹配 #

你要估计的是传递函数H(s)，首先得把连续系统离散化，选对合适的离散模型（比如常用的ARX模型：y(k) = a₁y(k-1)+...+aₙy(k-n) + b₁u(k-d)+...+bₘu(k-d-m+1)，d是系统延迟）：

• 务必保证输入向量φ(k)构造正确：比如一阶带延迟d=1的系统，φ(k) = [y(k-1), u(k-1)]^T，千万别把时序搞反
• 你的输入u(t)=1是恒定信号，离散后u(k)全为1，这时候要留意系统稳态响应是否符合预期——如果是稳定系统，y(k)最终会收敛到恒定值，RLS应该能估计出对应的稳态增益

四、代码实现示例（一阶系统参考） #

假设我们要估计的离散系统是y(k) = 0.7y(k-1) + 0.2u(k-1)，以下是RLS的Python实现示例，你可以对照自己的代码找差异：

import numpy as np
import matplotlib.pyplot as plt

# 生成仿真数据（模拟未知系统的输入输出）
np.random.seed(42)
sampling_rate = 10  # 10Hz采样，对应0-15秒共150个样本
n_samples = 15 * sampling_rate
u = np.ones(n_samples)  # 输入u(t)=1
y = np.zeros(n_samples)
# 生成带少量噪声的系统输出
for k in range(1, n_samples):
    y[k] = 0.7*y[k-1] + 0.2*u[k-1] + np.random.normal(0, 0.01)

# RLS初始化
lambda_ = 0.99  # 遗忘因子
n_params = 2  # 要估计的参数a和b
w = np.zeros(n_params)  # 初始权重向量
P = 100 * np.eye(n_params)  # 初始协方差矩阵
y_est = np.zeros(n_samples)  # 估计的输出序列

# RLS迭代过程
for k in range(1, n_samples):
    phi = np.array([y[k-1], u[k-1]])  # 构造输入特征向量
    # 计算增益
    K = P @ phi / (lambda_ + phi.T @ P @ phi)
    # 更新权重
    w = w + K * (y[k] - phi.T @ w)
    # 更新协方差矩阵
    P = (P - np.outer(K, phi.T @ P)) / lambda_
    # 记录估计的输出
    y_est[k] = phi.T @ w

# 可视化结果
plt.figure(figsize=(10, 6))
plt.plot(y, label='实际输出y(k)')
plt.plot(y_est, label='RLS估计输出y_est(k)')
plt.plot([w[0]]*n_samples, label=f'估计参数a={w[0]:.4f}')
plt.plot([w[1]]*n_samples, label=f'估计参数b={w[1]:.4f}')
plt.legend()
plt.xlabel('采样步数k')
plt.ylabel('数值')
plt.title('RLS算法参数估计结果')
plt.show()

五、最后检查几个常见错误点 #

• 协方差矩阵更新时有没有忘记除以λ？或者矩阵乘法的顺序搞反了（矩阵乘法不满足交换律）
• 输入向量φ(k)是否包含了足够的历史输入输出？比如二阶系统需要包含y(k-1), y(k-2), u(k-1), u(k-2)
• 有没有考虑噪声影响？如果系统输出噪声很大，可能需要调大遗忘因子或增加数据量
• 是不是从第1步就开始迭代了？对于n阶模型，最好从第n步开始，跳过初始暂态数据的影响

内容的提问来源于stack exchange，提问作者euraad