### 递推最小二乘算法的 Python 实现及其可视化 递推最小二乘法（Recursive Least Squares, RLS）是一种在线估计方法，广泛应用于参数辨识和自适应滤波等领域。以下是基于 `tkinter` 和 `matplotlib` 的递推最小二乘算法实现以及可视化的完整代码。 #### 算法原理概述 RLS 是一种迭代优化技术，通过不断更新模型参数来逼近真实系统的动态特性。其核心在于利用新数据逐步修正当前的参数估计值[^1]。 #### Python 实现代码 以下是一个完整的 Python 脚本，它实现了 RLS 并提供了图形化界面用于实时显示结果： ```python import numpy as np from tkinter import Tk, Button, Label, Scale, HORIZONTAL import matplotlib.pyplot as plt from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg class RecursiveLeastSquares: def __init__(self, n_params): self.P = np.eye(n_params) * 1000 # 初始协方差矩阵 self.theta = np.zeros((n_params, 1)) # 参数向量初始化 def update(self, phi, y): """ 更新参数 """ K = (self.P @ phi) / (phi.T @ self.P @ phi + 1) # 增益计算 self.theta += K @ (y - phi.T @ self.theta) # 参数更新 self.P -= K @ phi.T @ self.P # 协方差更新 return self.theta.flatten() def simulate(): global ax, canvas, theta_values, time_steps rls = RecursiveLeastSquares(2) a_true = 2.5 # 真实参数a b_true = 1.8 # 真实参数b noise_std = scale_noise.get() / 100 # 获取噪声标准差 t_max = int(scale_time.get()) # 时间步数 x_data = [] y_data = [] for t in range(t_max): u = np.random.rand() # 输入信号 v = np.random.normal(0, noise_std) # 高斯白噪声 y = a_true * u + b_true + v # 输出信号 phi = np.array([[u], [1]]) # 回归变量 theta_estimated = rls.update(phi, y) x_data.append(t) y_data.append(theta_estimated[0]) if len(x_data) > 1: ax.clear() ax.plot(x_data, y_data, label="Estimated Parameter", color='blue') ax.axhline(a_true, linestyle="--", color="red", label="True Value") ax.set_xlabel("Time Step") ax.set_ylabel("Parameter Estimate") ax.legend(loc="upper right") canvas.draw() def create_gui(): root = Tk() root.title("Recursive Least Squares Simulation") label_noise = Label(root, text="Noise Level (%): ") label_noise.grid(row=0, column=0) global scale_noise scale_noise = Scale(root, from_=0, to=50, orient=HORIZONTAL) scale_noise.set(10) scale_noise.grid(row=0, column=1) label_time = Label(root, text="Simulation Time Steps: ") label_time.grid(row=1, column=0) global scale_time scale_time = Scale(root, from_=10, to=100, orient=HORIZONTAL) scale_time.set(50) scale_time.grid(row=1, column=1) button_simulate = Button(root, text="Start Simulation", command=simulate) button_simulate.grid(row=2, columnspan=2) fig, global_ax = plt.subplots(figsize=(6, 4)) global canvas canvas = FigureCanvasTkAgg(fig, master=root) canvas.get_tk_widget().grid(row=3, columnspan=2) global ax ax = global_ax root.mainloop() if __name__ == "__main__": create_gui() ``` 上述代码中包含了以下几个部分： - **RLS 类**：封装了递推最小二乘的核心逻辑。 - **simulate 函数**：负责模拟过程中的输入生成、噪声添加以及参数估计。 - **create_gui 函数**：构建了一个简单的 GUI 接口，允许用户调整噪声水平和时间步数，并通过 `matplotlib` 动态绘制估计结果[^2]。 #### 关键点说明 1. 使用 `Scale` 控件让用户可以调节噪声强度和仿真时长。 2. 结果以折线图形式展示，红色虚线表示真实的参数值，蓝色线条代表估计的结果随时间的变化趋势[^3]。 --- ### 相关问题