文档介绍：%递推公式,更新p0=p2;forn=2:N-1%%递推最小二乘法    K0=p0*X(n,:)'*inv(1+X(n,:)*p0*X(n,:)');%计算K    Theta_abs=Theta_abs+K0*(Y(n)-X(n,:)*Theta_abs);%计算估计值Theta;    p3=p0-K0*X(n,:)*p0;%计算P    p0=p3;      %误差平方和最小  Y1=X(n,:)*Theta_abs;%递推值  J=(Y(n,:)-Y1)*(Y(n,:)-Y1)'  if(J<err)%设定平方误差最小,跳出循环      break;  end;end对于引进后移算子假定在初始条件0时z变换得到ARX模型有:;为均值为0的噪声项上式可以改写为上式改写为最小二乘格式(3)对于(3),极小化,求得参数的估计值,表示为了确定使准则最小的条件,将该式对各参数求导,并令其结果等于零:,只要矩阵是满秩的,则是正定的,使准则为极小的条件得到满足,最小二乘估计的递推算法(RLS)最小二乘法,不仅占用大量内存,而且不适合于在线辨识,为了解决这个问题,把它转化为递推算法:若令,则加权递推最小二乘(RWLS):e(k)为有色噪声,v(k)为白噪声。。取,当噪声为有色噪声时,采用增广最小二乘法:其思路采用CARMA模型。在实际应用中噪声v(k)有两种形式:1matlab最小二乘法拟合[a,Jm]=lsqcurvefit(fun,a0,x,y);fun不支持句柄函数a0为最优化的初始值,fun为数据原型函数。x=lsqcurvefit(fun,x0,xdata,ydata,lb,ub);lb≤x≤ub[x,norm,res,ef,out,lam,jac]=lsqcurvefit(***@F,x0,t,y,v1,v2,opt,P1,P2,...)其中输出变量的含义为:1)x:最优解2)norm:误差的平方和3)res:误差向量4)ef:程序结束时的状态指示:·>0:收敛·0:函数调用次数或迭代次数达到最大值(该值在options中指定)·<0:不收敛5)out:包含以下数据的一个结构变量·ount函数调用次数·iterations实际迭代次数·cgiterations实际PCG迭代次数(大规模计算用)·algorithm实际使用的算法·stepsize最后迭代步长(中等规模计算用)·firstorderopt一阶最优条件满足的情况(大规模计算用)6)lam:上下界所对应的Lagrange乘子7)jac:结果(x点)处的雅可比矩阵输入参数其中输入变量的含义为:·x0为初始解(缺省时程序自动取x0=0)·t,y:拟合数据·v1,v2:参数待求x的上下界·options:包含算法控制参数的结构LineSearchType线搜索方法(‘cubicpoly’,’quadcubic’(缺省值))opt=optimset(oldopts,newopts)可以设定的参数比较多,对lsqnonlin和lsqcurvefit,常用的有以下一些参数:Diagnostics是否显示诊断信息('on'或'off)Display显示信息的级别('off','iter','final,'notify)LargeScale是否采用大规模算