Académique Documents
Professionnel Documents
Culture Documents
1. Initialisation
Initialisez les paramètres du modèle, y compris les coefficients β et la matrice de covariance
P.
𝛽0= 0
𝑃0 = 𝜆−1I
Où λ est un paramètre de régularisation et I est la matrice identité.
2. Mise à jour récursive
- Pour chaque nouvelle observation 𝑥𝑛+1 𝑒𝑡 𝑦𝑛+1 , calculez les gains 𝐾𝑛+1 et mettez à jour les
coefficients 𝛽et la matrice de covariance P selon les formules suivantes :
𝑇
𝑘𝑛+1 = 𝑃𝑛 𝑥𝑛+1 /(1 + 𝑥𝑛+1 𝑃𝑛 𝑥𝑛+1 )
𝑇
𝛽𝑛+1 = 𝛽𝑛 + 𝐾𝑛+1 /(𝑦𝑛+1 − 𝑥𝑛+1 𝛽𝑛 )
𝑇
𝑃𝑛+1 = (𝑃𝑛 − 𝑘𝑛+1 𝑥𝑛+1 𝑃𝑛 )/λ
où 𝐾𝑛+1 est le gain de Kalman, 𝑃𝑛+1est la matrice de covariance mise à jour, et λ est un
paramètre de régularisation.
3. Prédiction :
Utilisez le modèle mis à jour pour effectuer des prédictions sur de nouvelles observations.
4. Répétition
Répétez les étapes 2 et 3 pour chaque nouvelle observation.
L'algorithme des moindres carrés récursifs est particulièrement utile dans les applications où
les données sont générées séquentiellement, comme dans le suivi en temps réel ou
l'identification en ligne de systèmes dynamiques. Il permet d'ajuster le modèle de manière
efficace à mesure que de nouvelles observations deviennent disponibles.
Conclusion
En résumé, l'algorithme du gradient peut être utilisé de manière récursive pour ajuster les
paramètres d'un modèle dans le contexte de l'identification de systèmes. La principale mise à
jour des paramètres est basée sur le gradient de la fonction de coût par rapport aux paramètres
du modèle. L'algorithme des moindres carrés récursifs est particulièrement utile dans les
applications où les données sont générées séquentiellement, comme dans le suivi en temps réel
ou l'identification en ligne de systèmes dynamiques. Il permet d'ajuster le modèle de manière
efficace à mesure que de nouvelles observations deviennent disponibles.