简介：面向控制系统、信号处理与机器学习方向的学习者与工程人员，这份资源提供一套最小二乘类参数辨识的MATLAB程序，用于对系统参数进行在线估计与辨识。程序以递推最小二乘算法为主线，构造极点位于单位圆内的稳定系统，生成500点M序列输入并叠加白噪声扰动，定义参数估计值Theta、估计方差P与增益矩阵K完成递推更新，并借助MATLAB绘图功能呈现参数估计过程；同时给出渐消记忆最小二乘的改写方式，通过调整遗忘因子相关语句获得更准确的辨识结果。资源包共1个docx文件，约78KB，以文档形式集中呈现算法说明与完整代码，便于对照理解与复现。已有2162人学习，适合希望掌握递推最小二乘与渐消记忆法、并借助可视化结果排查参数收敛问题的读者参考。

1. 从一组“收敛了但不对”的曲线说起

跑过系统辨识的人大概都遇到过这种场面：递推最小二乘（RLS）的曲线明明已经平了，四条参数轨迹稳稳地趴在某个值上，可你拿真值一对——1.8、-0.9、0.75、0.5——全都差那么一截，而且这个偏差不随数据量增加而消失。这不是代码写错了，是算法本身的“记忆”在作祟。这份最小二乘类的参数辨识 MATLAB 程序，就是围绕这个现象展开的：先用递推最小二乘把参数估出来，看到偏差，再换成渐消记忆最小二乘，把老数据的影响压下去，曲线才真正贴到真值上。它适合正在学系统辨识、需要一份能直接跑、能改参数、能对比两种算法差异的开发者，也适合做控制或信号处理时想快速验证辨识思路的人。整套代码不长，但把 M 序列激励、白噪声扰动、递推更新、遗忘因子这几个关键环节都串起来了，拿来当二次开发的骨架很合适。

2. 系统模型与激励设计：为什么先造 M 序列再谈辨识

辨识能不能做准，一半取决于你喂给系统的输入够不够“有劲”。这份程序的第一步不是写辨识算法，而是造激励信号和观测数据，这个顺序是对的——没有足够丰富的输入，参数根本激发不出来。

2.1 被辨识系统的差分方程

程序里设定的系统是二阶的：

Z(k+2) = 1.8*Z(k+1) - 0.9*Z(k) + 0.75*u(k+1) + 0.5*u(k) + v(k)

这里Z是系统输出，u是输入，v是白噪声。待辨识的参数就是四个系数：a1 = -1.8、a2 = 0.9、b1 = 0.75、b2 = 0.5（注意程序里 Theta 的排列和符号约定，后面会讲）。特征方程z² - 1.8z + 0.9 = 0的极点模长约为 0.949，落在单位圆内，系统稳定。这一点很关键：如果系统本身发散，递推过程会被数值淹没，你看到的曲线爆炸不是算法问题而是模型问题。所以拿到任何一份辨识代码，先看它的系统极点，这是血泪经验。

2.2 M 序列的生成：9 级移位寄存器

输入信号用的是 M 序列（最大长度伪随机二进制序列），程序里用 9 个寄存器、按xor(x(4), x(9))做反馈：

x = [0 1 0 1 1 0 1 1 1]; % 9 级寄存器初值，不能全 0 n = 503; % 多跑 3 拍，让序列进入稳定周期 N = 500; % 实际取用的点数 for i = 1:n temp = xor(x(4), x(9)); % 第 4 位与第 9 位异或作为反馈 M(i) = x(9); % 从末级输出 for j = 9:-1:2 x(j) = x(j-1); % 整体右移一位 end x(1) = temp; % 反馈值填入首位 end

逻辑说明：这是一个标准的线性反馈移位寄存器。x(4)和x(9)是抽头位置，异或结果回填到x(1)，其余位依次右移，末位x(9)输出。9 级寄存器对应周期2^9 - 1 = 511，程序跑 503 拍、取前 500 点，避开了初始暂态。参数上，抽头位置决定了序列的周期和自相关特性，改抽头就等于换了一个激励信号；N决定数据长度，500 点对二阶系统够用，想看得更细可以加到 2000，但递推次数也跟着涨。

提示：寄存器初值不能全 0，否则异或永远是 0，序列卡死。这是新手最容易翻车的地方之一。

2.3 白噪声与观测序列的合成

激励有了，再叠上扰动，才能模拟真实采集环境：

v = randn(1, N); % 方差为 1 的高斯白噪声 z = zeros(N+2, 1); z(1) = -1; z(2) = 0; % 两个初始条件，避免从零起步的死区 for i = 3:N+2 z(i) = 1.8*z(i-1) - 0.9*z(i-2) ... + 0.75*M(i-1) + 0.5*M(i-2) + v(i-2); end

这里z的长度是N+2，因为差分方程用到k+2，前两个点作为初始条件。v(i-2)的下标对齐是为了让噪声和当前输出同步。randn默认均值 0、方差 1，如果你想让信噪比更低、辨识更难，把v乘个系数就行，比如0.5*randn(...)提高信噪比，2*randn(...)压低信噪比，正好用来测试算法的鲁棒性。观测序列造好之后，z和M就是后面递推的全部输入，辨识算法不再碰真实参数，这一点保证了仿真的“盲辨识”性质。

3. 递推最小二乘核心：一次参数更新的完整链路

数据齐了，进入正题。递推最小二乘的思想是每来一组新数据就修正一次参数估计，而不是攒够所有数据再一次性求解。这份程序把更新过程写得非常紧凑，四行代码就是全部核心。

3.1 数据向量与参数向量的构造

h = [-z(i-1); -z(i-2); M(i-1); M(i-2)]; % 回归向量 Theta(:, i-1) = Theta(:, i-2) + K*(z(i) - h'*Theta(:, i-2));

h是回归向量，把当前时刻能观测到的量拼成一列：前两个是历史输出的负值，后两个是历史输入。为什么输出要取负？因为差分方程里a1*z(k+1)移到等号左边变成-a1*z(k+1)，所以回归向量里带负号，这样Theta估计出来的就是[a1; a2; b1; b2]的正值形式。z(i) - h'*Theta(:, i-2)是预测误差（新息），它衡量的是“用旧参数预测当前输出差了多少”，乘上增益K就是这次要修正的量。参数说明：Theta是 4×1 列向量，初值给[1;1;1;1]，给多少不影响最终收敛，只影响前几十拍的暂态。

3.2 增益矩阵与协方差矩阵的更新

K = P*h*inv(h'*P*h + 1); % 增益矩阵 P = (eye(4) - K*h')*P; % 协方差矩阵递推

P是参数估计的协方差矩阵，初值100*eye(4)表示“一开始我对参数一无所知，方差给大”。h'*P*h + 1里的1对应噪声方差（这里假设为 1），如果噪声方差实际不是 1，这个常数应该换成对应的值，否则增益尺度会偏。K的维度是 4×1，P是 4×4，eye(4)保证维度对齐。这两行是整个算法的心脏：K决定“信新数据多少”，P决定“当前估计有多不确定”。随着递推进行，P的元素逐渐衰减，增益变小，参数趋于稳定——这就是 RLS 收敛的直观解释。

3.3 结果存储与可视化

Pstore(:, i-1) = [P(1,1), P(2,2), P(3,3), P(4,4)]; % 只存对角元 ... plot(i, Theta(1,:), i, Theta(2,:), i, Theta(3,:), i, Theta(4,:), ... i, -1.8, i, 0.9, i, 0.75, i, 0.5);

Pstore只存对角元，因为对角元代表各参数各自的方差，够用来观察收敛趋势。作图时把四条估计曲线和四条真值直线画在一起，一眼就能看出偏差。这里有个细节：真值画的是-1.8和0.9，而Theta估计的是a1、a2的正值形式，所以图上Theta(1,:)应该收敛到1.8附近、Theta(2,:)收敛到-0.9附近——符号约定要和回归向量对齐，否则你会以为算法错了。我第一次跑的时候就因为没对齐符号，盯着图看了半天。

跑完这段，你会看到四条曲线都收敛了，但和真值线之间留着一条稳定的缝隙。这不是数值误差，是 RLS 的“无限记忆”特性：老数据权重不衰减，噪声累积导致估计有偏。要消掉这条缝，就得请出渐消记忆。

4. 渐消记忆最小二乘：两行改动带来的精度跃升

原文里最精彩的部分就在这里——只改两个语句，辨识精度明显提升。改动虽小，背后的逻辑值得掰开讲。

4.1 遗忘因子的引入位置

原始 RLS：

K = P*h*inv(h'*P*h + 1); P = (eye(4) - K*h')*P;

渐消记忆版：

lambda = 0.998; % 遗忘因子，越接近 1 记忆越长 K = P*h*inv(h'*P*h + lambda); P = (eye(4) - K*h')*P / lambda;

两处改动：分母里的1换成lambda，P更新末尾除以lambda。lambda取 0.998 意味着每步旧信息权重乘以 0.998，大约 500 步后权重衰减到0.998^500 ≈ 0.37，也就是“半衰期”约 350 步。这个值不是随便定的：太小（比如 0.9）会让算法过度健忘，参数曲线抖动大、甚至发散；太大（比如 0.9999）又退化成普通 RLS，偏差依旧。0.998 是在 500 点数据量下的折中，如果你把N加到 2000，可以适当调大到 0.999。

4.2 为什么除以 lambda 能纠偏

普通 RLS 的P单调递减，增益越来越小，新数据的话语权越来越弱，噪声的累积偏差就固化下来了。渐消记忆版在每步把P放大1/lambda倍，相当于人为“注入”一点不确定性，让增益不会衰减到零，新数据始终有修正能力。这就是它能跟踪时变参数、也能消掉稳态偏差的原因。参数说明：lambda是唯一需要调的旋钮，建议从 0.995 到 0.999 之间扫一遍，看哪条曲线最贴真值且不抖。

4.3 两种算法的对比验证

把两版结果画在同一张图上最直观。我一般会这样组织对比：

figure; subplot(2,1,1); plot(1:N+1, Theta_rls(1,:), 'b', 1:N+1, 1.8*ones(1,N+1), 'r--'); title('普通 RLS：a1 估计'); grid on; subplot(2,1,2); plot(1:N+1, Theta_ff(1,:), 'b', 1:N+1, 1.8*ones(1,N+1), 'r--'); title('渐消记忆 RLS：a1 估计'); grid on;

对比时重点看三件事：收敛速度（多少拍进入真值 ±5% 带）、稳态偏差（最后 100 拍均值与真值之差）、抖动幅度（最后 100 拍的标准差）。普通 RLS 通常收敛快但稳态有偏，渐消记忆版稳态更准但前期可能略抖。这个对比表可以直接作为你二次开发时的回归测试基准。

5. 避坑与排查：跑不通时先看这几处

这份代码不长，但几个下标和符号的坑足够让新手卡半天。下面是我实际调试时踩过的几条，按“现象 → 原因 → 解决”整理。

现象一：参数曲线一路发散到无穷大。原因多半是P初值给得过大或lambda太小，增益爆炸。解决：把P = 100*eye(4)降到10*eye(4)试试，lambda不要低于 0.99；同时确认系统极点确实在单位圆内，模型本身发散的话算法救不回来。

现象二：曲线收敛了，但四条都收敛到 0 附近。这是回归向量和参数符号没对齐的典型表现。检查h里输出项是否带了负号，以及作图时真值线的符号是否和Theta的约定一致。原文里真值画-1.8、0.9，而Theta(1)收敛到1.8，这个符号差必须心里有数。

现象三：报错“矩阵维度不一致”。常见于Theta(:, i-1)的下标越界——循环从i=3开始，但Theta只有N+1列，i-1最大到N+1，刚好卡边界。如果你改了N或循环范围，记得同步检查Theta、Pstore的预分配列数。

现象四：渐消记忆版反而比普通版更差。先确认lambda是不是写成了 0.98 甚至 0.9，遗忘太快会让估计追着噪声跑。其次检查P更新那行是不是漏了/lambda，只改K不改P等于半吊子渐消，效果可能更糟。

现象五：M 序列看起来像常数。寄存器初值全 0，或者抽头位置选错导致反馈恒为 0。换一组非全零初值，确认xor的两个抽头不同即可。

注意：调试时先把噪声v置零跑一遍，看无噪声下能否精确收敛到真值。无噪声都收不准，说明是代码逻辑问题；无噪声准、加噪声偏，才是算法特性问题。这个二分法能省掉大量瞎猜。

6. 二次开发：把这份脚本改成能复用的辨识工具

这份代码是脚本形态，变量全在基础工作区，跑一次就完事。真要拿去做项目，我建议第一步就是把它函数化，把“造数据”和“辨识”拆开，这样换系统、换算法、换噪声水平都不用改主逻辑。

function [Theta, Pstore] = rls_identify(z, u, lambda, P0) % z: 输出序列, u: 输入序列, lambda: 遗忘因子(1 表示普通RLS) % P0: 协方差初值, 返回参数估计轨迹和方差轨迹 N = length(z) - 2; Theta = zeros(4, N+1); Theta(:,1) = [1;1;1;1]; P = P0 * eye(4); Pstore = zeros(4, N+1); for i = 3:N+2 h = [-z(i-1); -z(i-2); u(i-1); u(i-2)]; K = P*h / (h'*P*h + lambda); Theta(:,i-1) = Theta(:,i-2) + K*(z(i) - h'*Theta(:,i-2)); P = (eye(4) - K*h')*P / lambda; Pstore(:,i-1) = diag(P); end end

这样封装之后，lambda=1就是普通 RLS，lambda=0.998就是渐消记忆版，一个函数覆盖两种算法，对比实验只需改一个入参。注意我把inv换成了左除/，数值上更稳，也更快。参数说明：P0建议做成可调，噪声大的场景给 10～100，噪声小给 1～10。

改造思路上还有几个方向值得试。一是把遗忘因子做成自适应：监测新息z(i) - h'*Theta的滑动方差，方差大时减小lambda加快跟踪，方差小时增大lambda稳住估计。二是把二阶模型推广到任意阶，h的长度和Theta的维度由阶数na、nb决定，循环里用拼接构造回归向量。三是加一个验证环节：用辨识出的参数重建输出，和真实输出算拟合度fit = 1 - norm(z - z_hat)/norm(z - mean(z))，这个指标比肉眼看曲线靠谱得多。

验证方法上，我习惯做三组对照：无噪声、低噪声、高噪声，每组都跑普通 RLS 和渐消记忆版，记录稳态偏差和拟合度。如果渐消记忆版在高噪声下拟合度反而下降，说明lambda调得太小，往回加。这套流程跑顺了，你手里就有了一份可复现的辨识基线，后面换任何新算法都能拿它当标尺。

说个自己的教训：早些年我调这类递推算法，总喜欢一上来就盯着最终曲线看，结果被符号约定和下标对齐坑了好几回，浪费的时间比写代码还多。从那以后我每次改辨识脚本，都强制先跑无噪声、单参数、短数据的冒烟测试，确认Theta能精确回到真值，再往上叠噪声和渐消记忆。这个习惯帮我省掉了大量“曲线不对但不知道错在哪”的排查。希望这份拆解能帮你少走几步弯路，把这份最小二乘参数辨识程序真正跑起来、改下去。

本文还有配套的精品资源，点击获取