Теории управления

доверяет лишь прошлой оценке.

Это годится для процессов, которые можно легко предска-

зать.


Фильтрация быстрых процессов


- большая величина (>1); .

x(t)

динамическая ошибка





t

Тогда , в этом случае (оценка) равна самим наблю-

дениям. Это значит, что фильтр Калмана не доверяет прош-

лым оценкам.


Вывод : Фильтр Калмана минимизирует и флуктуационную и

динамическую ошибку.


Динамической ошибкой называется разница между оценкой и

истинным значением процесса.

-=динамическая ошибка.

Флуктуационная ошибка - тоже, но за счет шума.

При быстром процессе шумы фактически не фильтруются.


Невязка входит в фильтр Калмана и выполняет роль

корректирующего члена, который в формуле (3)

учитывает ситуацию, которую дают наблюдения.

Оценка на шаге ‘n’ равна экстраполированной оценке

плюс некоторый корректирующий член, который есть невязка,

которая взята с весом . (Корректирующий член учитывает

наблюдения на шаге ‘n’) Вес учитывает апприорную дина-

мику системы (модели).


Вывод (по одномерному фильтру Калмана):


1) Фильтр Калмана можно построить в виде реккурентного

алгоритма только в том случае, если имеется модель

случайного процесса, который он фильтрует.

2) Фильтр Калмана оптимален для реального процесса только

в том случае, если реальный процесс близок к модели,

которую мы используем.


Многомерный фильтр Калмана


(1) , где - текущее время, -

- вектор (столбики)

A - матрица kґk, H - матрица mґk.

- вектор, - шум наблюдения

; - шум динамической системы.

Запишем (1) в скалярной форме. covx=Q, covh=P.



Многомерный фильтр Калмана для модели (1) :

,

где - вес, - невязка.

; где - единичная матрица

=Г ; Начальные условия задаются из аппри-

Г ; орных условий . - транспони-

рованная матрица (сопряженная).


Траекторные изменения


Часто требуется получить оценку траектории летательного

аппарата. Летательный аппарат может быть зафиксирован с

помощью радиолокатора, либо некоторой навигационной сис-

темой.

Летательный аппарат рассматривается в некоторой сис-

теме координат :

Если известны точно все 9 коор-

Z динат (см.ниже), то можно точ-

л.а. но навести ракету. Для определе-

ния всех координат существуют

р X траекторные фильтры, которые

строятся на базе фильтра Калмана.

Y


Траекторный фильтр 2-го порядка


(1) ; a<1

Первые две строки (1) - это модель, последняя строка -

- наблюдение.


Составим многомерный фильтр Калмана , для этого по мо-

дели (1) составим многомерную модель.

;

(2) ;


; ; H=[1,0]

Из формулы (2) имеем :


; ;

; ;


Траекторный фильтр 3-го порядка


(4) , первые две строки - модель,

последняя строка - наблюдения

; ; ; ;

H = [1,0,0] ;

; ;


Теория нелинейной фильтрации


Здесь нелинейные модели записываются в виде :


(1) ; здесь : верхняя функция - нелиней-

ная регрессия, нижняя - уравнение наблюдений.

Функция генерирует на любом интервале неко-

торый случайный процесс . Это есть модель неко-

торого случайного процесса, более богатая, чем все преды-

дущие модели.

Уравнение наблюдений : наблюдается не сама , а не-

которая функция j();наблюдения ведутся на фоне шумов

- шум нелинейной динамической системы (шум модели)

1) Требуется найти оценку , такую, чтобы :

(2)

Формула (2) - критерий минимума среднеквадратической

ошибки.

2) Требуется получить реккурентную оценку, такую же как в

фильтре Калмана.


В чистом виде получить оптимальную оценку нельзя, есть

лишь приближенные решения, когда функции f(x) и j(x) -

- линеаризуются.

Тейлоровская линеаризация - используется ряд Тейлора,

линейная часть (1-я, 2-го

члена). ( j(x) и f(x) - имеют непрерывные первые про-

изводные).


Разложение в ряд Тейлора в точке

где - оценка, которую мы еще не знаем, но собираем-

ся находить.

Эти линеаризованные функции подставим в (1) и получим

линейную систему :


(2)


Коэффициенты a,b,c,d находятся после подстановки.

и имеют произвольное распределение.

Будем использовать метод наименьших квадратов для на-

хождения оценок .


; ;

Выпишем эмпирический риск :



r - функционал.


После линеаризации :

производная из r берется легко

Продифференцировав и воспользовавшись методом индукции

получаем :


(3)


; - задано


Выводы :

1. В связи с тем, что начальная точка разложения

в ряд Тейлора функции j(x) была выбрана в точ-

ке , то несмотря на линеаризацию, урав-

нение (3) получилось как нелинейное и оно по-

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: