MARC

 008260126s2025        us                              c    eng  d
■001000017358113
■00520260202103646
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314874868
■035    ▼a(MiAaPQ)AAI32092624
■035    ▼a(MiAaPQ)umichrackham006000
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aLai,  Brian.
■24510▼aTheory,  Extensions,  and  Applications  of  Recursive  Least  Squares
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a194  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Bernstein,  Dennis  S.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aRecursive  least  squares  (RLS)  is  a  foundational  algorithm  in  systems  and  control  theory  for  the  online  identification  of  fixed  parameters.  However,  a  critical  flaw  of  RLS  is  its  inability  to  track  time-varying  parameters.  RLS  with  a  forgetting  factor  can  track  time-varying  parameters,  but  is  fragile  without  persistently  exciting  (PE)  data.  This  dissertation  develops  theory  and  new  extensions  of  RLS,  to  accomplish  with  what  these  classical  algorithms  cannot.  These  results  are  applied  to  online  system  identification  for  adaptive  control.    Following  an  introductory  chapter,  the  second  chapter  presents  three  derivations  of  RLS.  These  derivations  introduce  important  concepts  used  throughout  this  dissertation.  The  third  chapter  introduces  RLS  with  a  forgetting  factor,  or  exponential  forgetting  (EF)  RLS,  and  presents  guaranteed  covariance  bound  for  EF-RLS  with  persistent  excitation.  These  guaranteed  bounds  serve  as  a  baseline  for  new  algorithms  presented  later  in  this  dissertation.  The  fourth  chapter  addresses  efficient  RLS  identification  of  parameters  in  a  matrix  structure  and  reveals  a  tradeoff  between  computational  complexity  and  algorithm  generality.  This  result  is  used  to  dramatically  speed  up  online  identification  of  multi-input-multi-output  (MIMO)  input/output  models  in  an  adaptive  control  scheme.  The  fifth  chapter  studies  identification  of  MIMO  input/output  models  using  RLS  when  model  order  is  higher  than  system  order.  We  show  that  in  this  scenario,  data  cannot  be  persistent  excitation  and  address  convergence  without  PE.  The  sixth  and  seventh  chapters  introduce  novel  extensions  of  RLS  for  situations  without  PE.  The  sixth  chapter  presents  Subspace  of  Information  Forgetting  (SIFt)  RLS,  a  new  extension  of  RLS  designed  for  scenarios  when  particular  directions  are  excited  and  others  are  not.  This  is  accomplished  by  forgetting  in  only  in  the  subspace  of  information,  allowing  for  bounded  covariance  without  PE.  The  seventh  chapter  introduces  exponential  resetting  and  cyclic  resetting  RLS,  two  algorithms  which  address  periods  of  high  excitation  and  periods  of  low  excitation.  These  algorithms  prevent  covariance  windup  experienced  by  EF-RLS  during  periods  of  low  excitation.  Finally,  the  eighth  and  ninth  chapters  concern  the  unification  of  RLS  extensions  from  the  literature.  The  eighth  chapter  provides  an  overarching  framework  for  RLS  extensions  and  provides  sufficient  conditions  for  stability  and  robustness  of  parameter  estimation  error.  The  ninth  chapter  builds  on  the  eighth  chapter  to  show  that  extensions  of  RLS  are  also  special  cases  of  the  Kalman  filter.  This  motivates  a  new  class  of  adaptive  Kalman  filters  for  state  estimation  in  the  presence  of  unmodeled  disturbances.
■590    ▼aSchool  code:  0127.
■650  4▼aAerospace  engineering
■650  4▼aComputer  engineering
■650  4▼aApplied  mathematics
■653    ▼aRecursive  least  squares
■653    ▼aSystem  identification
■653    ▼aRecursive  estimation
■653    ▼aAdaptive  control
■653    ▼aKalman  filter
■690    ▼a0538
■690    ▼a0464
■690    ▼a0364
■71020▼aUniversity  of  Michigan▼bAerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358113▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books