在测量数据处理中,线性观测方程一般形式为:
(
)
其矩阵形式为:(此处 L 相当于 y y = x1*b1 + x2*b2 +… + xt*bt + b0 + E y 为可观测的随机变
量,x 为可观测的已知变量,E 为不可观测的随机误差项,b 为未知参数 y = f(x,θ )+E--韦博
成近代非线性回归分析
式中:
为
的观测向量, 为观测向量的个数;X 为 t*1 的未知
参 数 向 量 ;t 为 必 要观 测 的 个数 ;
为
的 常 数 向 量 。
为
的观测误差向量;B 为 n*t 的设计矩阵,即:
一般的 L 表示 n*1 的观测向量,用 X 表示 t*1 的未知参数向量,用 表示 n*1 的观测误差向
量,则非线性方程可写为:
(1)
式中,
,是由 n 个 X 的非线性函数组成的 n*1 的
向量,上述模型即为一般非线性模型。
为了推导公式方便,不失一般性,设 L 为同精度独立观测量。
关于模型(1)的参数估计,传统的方法是将其线性化,即将(1)式在参数的近似值 X0 出
展开为泰勒级数,并仅取至一次项,然后在应用新型模型参数估计理论进行参数估计。将非
线性模型(1)式线性化,因略去二阶以上各高次项,得到的仅含一次项的线性模型显然是
原模型的近似模型。因此,由于非线性近似后的线性模型是近似模型,所以线性近似必然会
产生模型误差。
非线性最小二乘估计的定义及存在性定理:
非线性模型(1)式相应的误差方程为:
(2)
于是残差平方和为:
测量中,观测值常常有不同精度,甚至有相关观测量,但根据等价观测理论,这些观测值都
可以变换为独立观测量,所以采用同精度观测讨论问题。
定义 1:
(3)
非线性模型(1)式中参数 X 的一个估计 ,若满足下列关系:
1
iititiiiibxbxbxbL0221...ni,...,2,10BBXLTnLLLL)..(21 . 1nnTnBBBB)..(002010 . 1nTn)..(21 . 1nntnnttbbbbbbbbbB...::::......212222111211)(XfLTnXfXfXfXf))(..)()(()(21 . LXfV)ˆ())ˆ(())ˆ(()ˆ(22LXfLXfLXfVVVTTXˆ
称则 是 X 的一个非线性最小二乘估计,用
表示。在不引起混淆是简记为 。
根据定义 1 知,求非线性模型(1)式的最小二乘估计量,就是求参数 X 的估值 ,使:
(31)
由于
是一常量,所以(31)式等价于目标函数为:
(32)
的非线性无约束最优化问题。
非线性最小二乘估计的近似解法:Gauss-NewTon 解法
1 线性近似
当非线性模型(1)式的非线性强度较弱,可以将非线性模型在 X0 处线性化,并用线性模型
的求解理论来解算非线性模型(1)式。将非线性模型(1)式在 X0 处线性化为:
(4)
记
,
为 n*p 阶矩阵。
线性模型(4)的最小二乘估计 为
Gauss-NewTon 迭代法由(5)式得:
(5)
Gauss-NewTon 方法具有一定的合理性。如果(1)式为线性模型,即
,B 为列满秩矩阵,则
,因此(5)式可化为:
特别的,当
时,
由式(4)得到误差方程:
根据最小二乘原理可解得:
广义逆矩阵的极小最小二乘解(不相容方程)
2
minVVTXˆNLSXˆXˆXˆmin)ˆ(2)ˆ()ˆ())ˆ(())ˆ((LLLXfXfXfLXfLXfVVTTTTTLLTmin)ˆ(2)ˆ()ˆ()ˆ(LXfXfXfXRTT))(()(000XXXVXfL),...,1;,...1()()(0pintXXfXVit )(XVXˆ)]([)()]()([ˆ001000XfLXVXVXVXXTT)]([)()]()([ˆ11iTiiTiiiXfLXVXVXVXX0)(BBXXfBXf)(][)]([][ˆ010010BLBBBBBXLBBBXXTTTTBXXf)(LBBBXTT1][ˆ))(()(00XfLdXXBV0)(BBXXf
于是参数 X 的最小二乘估计量为:
反复迭代过程为:
迭代终止条件为:
,k 为第 k 次迭代。
G-T 结论及问题:
1 若为线性模型,由 Gauss-NewTon 法从任意初值出发,经一次迭代即可得到 LS 估计的精确
解。
2
的收敛速度可能很慢,世界上不可能求出合乎要求的接。G-N 对初值的依赖性很大,
选取一个好的初值很重要。在迭代过程中可能呢会出现很大的波动,甚至会出现
随
着 k 持续增加或随 发散的情况。
改进的 Gauss-NewTon 法:
设 是 的近似值,则
一定不能达到最小,于是有:
设
有:
,那么必存在
,使
时,
因此,用 Gauss-NewTon 法求出
后,若适当选取 ,使:
(6)
则一定有
,这样就能保证
逐步向
的极小值靠近,
于是就可以避免迭代过程的波动性,从而保证得到收敛的最小二乘估计。
于是改进的 Gauss-NewTon 迭代算法为:
(1)选定初值 ,对非线性模型(1)式线性化,并按线性最小二乘估计求
(2)适当选取 ,并按(6)式计算
(3)若
,则转(4),否则另
,转(1)
(4)输出 和
,结束
3
))(()())()((00100XfLXBXBXBdXTTdXXX0ˆiiidXXX1ˆ)ˆ()ˆ(1kkXRXR1ˆiX)ˆ(kXRkXˆkXˆ*ˆX)(kTXVV0)(kXXTXXVV))(()())()((1kTkkTkXfLXBXBXBdX0*],0[*)()(kTkkTXVVdXXVVkdXkkkkkdXXX1)()(1kTkTXVVXVV)(kTXVVVVT0X0dX01X)ˆ()ˆ(01XRXR10XX1X)ˆ(1XR
该 算 法 关 键 是 要 计 算 , 韦 博 成 建 议 对
采 用 三 点 抛 物 线 近似 , 即 分 别 求 出
时的值,这三个值为
,
,
,
则:
参考文献:韦博成,近代非线性回归
王新洲 非线性模型参数估计理论与应用
4
k)ˆ(XR1.0,5.0,0)ˆ(kXR)21ˆ(kkdXXR)ˆ(kkdXXR)ˆ()21ˆ(2)ˆ())ˆ()ˆ((25.05.0kkkkkkkkdXXRdXXRXRdXXRXR