### Python 实现最小二乘法递推算法仿真代码 以下是基于递推最小二乘法（Recursive Least Squares, RLS）的 Python 仿真代码示例。该方法是一种动态更新估计值的技术，适用于实时数据处理场景。 ```python import numpy as np def recursive_least_squares(x_data, y_data, lambda_value=1): """ 使用递推最小二乘法 (RLS) 进行参数估计。 :param x_data: 输入变量矩阵 (n_samples, n_features) :param y_data: 输出向量 (n_samples,) :param lambda_value: 遗忘因子，默认为1表示不遗忘历史数据 :return: 参数估计结果 theta_hat 和误差序列 e """ n_samples, n_features = x_data.shape # 初始化 P 矩阵和 theta 向量 P = np.eye(n_features) * 1000 # 初始协方差矩阵 theta_hat = np.zeros((n_features,)) # 初始参数估计 results = [] errors = [] for k in range(n_samples): phi_k = x_data[k] # 当前输入特征向量 y_k = y_data[k] # 当前观测值 # 计算增益 K(k) temp = np.dot(P, phi_k.T) denominator = lambda_value + np.dot(phi_k, temp) K_k = temp / denominator # 更新参数估计 error = y_k - np.dot(phi_k, theta_hat) # 计算预测误差 theta_hat += K_k * error # 更新协方差矩阵 P = (P - np.outer(K_k, np.dot(phi_k, P))) / lambda_value # 存储当前步的结果 results.append(theta_hat.copy()) errors.append(error) return np.array(results), np.array(errors) # 测试代码 if __name__ == "__main__": # 创建模拟数据 true_theta = np.array([2, -1]) # 真实参数 samples = 50 X = np.random.rand(samples, 2) # 随机生成输入数据 noise = np.random.normal(0, 0.1, size=samples) # 添加噪声 Y = np.dot(X, true_theta) + noise # 模拟输出数据 # 执行递推最小二乘法 estimated_thetas, prediction_errors = recursive_least_squares(X, Y, lambda_value=0.98) # 显示最终估计结果 print(f"真实参数: {true_theta}") print(f"估计参数: {estimated_thetas[-1]}") ``` 上述代码实现了递推最小二乘法的核心逻辑，并允许指定遗忘因子 `lambda_value` 控制历史数据的影响程度[^1]。当 `lambda_value=1` 时，所有历史数据均被同等对待；而较小的值则会逐渐减少旧数据的权重。 #### 关键点解释 - **初始化**: 协方差矩阵 \( P \) 的初始值通常设置较大以反映不确定性较高的状态。 - **增益计算**: 增益 \( K(k) \) 是衡量新数据对现有估计影响的重要指标。 - **参数更新**: 新的数据逐步修正参数估计值 \( \theta_{\text{hat}} \)，从而逼近真实值。 - **遗忘因子**: 可选参数用于调整模型的记忆能力，适合非平稳系统的应用情境[^2]。 --- ### 问题