ОПТИМАЛЬНОЕ ОЦЕНИВАНИЕ СОСТОЯНИЯ
12 ФИЛЬТРЫ С ЗАДАННОЙ СТРУКТУРОЙ (ПАРАМЕТРИЧЕСКАЯ ОПТИМИЗАЦИЯ) Оптимальной среди систем данного класса называют систему, для которой показатель ее качества имеет экстремальное значение (минимум или максимум в зависимости от смысла показателя). Выбранный показатель качества называют, как говорилось выше, критерием оптимальности. ФИЛЬТРЫ КОЛМОГОРОВА - ВИНЕРА Основополагающие результаты по теории фильтрации были получены Н. Винером и А.Н. Колмогоровым (1941г.). Ими рассматривались только стационарные случайные процессы. В дальнейшем результаты были обобщены и на классы нестационарных процессов. Перейдем к изложению основных положений теории фильтров Колмогорова-Винера. Рассмотрим линейную систему, представленную на рисунке
Заданы взаимно не коррелированные центрированные случайные процессы в виде функций времени m ( t ) и n ( t ) с корреляционными функциями Требуется найти ИПФ фильтра, оптимальным образом выделяющего реализацию случайного процесса m ( t ) в виде некоторого процесса X ( t ) в условиях, когда на вход поступает аддитивная смесь полезного сигнала m ( t ) и помехи n ( t ). Критерием оптимальности является минимум среднеквадратической ошибки (СКО) Где Структурная схема, поясняющая постановку задачи фильтрации в классе линейных систем, представлена на рисунке 6.
Рис. 6. К постановке задачи фильтрации Найдём уравнение, определяющее ИПФ оптимальной, в указанном выше смысле, системы. Положим, что при t = 0 фильтр имеет нулевые начальные условия; тогда сигнал ошибки определяется зависимостью (1.6) Полученное интегральное уравнение 1-го рода (1.17) определяет оптимальную ИПФ фильтра, обеспечивающего воспроизведение полезного сигнала m( t ) с минимальной СКО. Уравнение (1.17) называется уравнением Винера - Хопфа, которое часто записывается в виде (1.18) Замечание: Линейный фильтр является оптимальным для нормальных СП, если сигнал отличен от нормального, оптимальный фильтр следует находить в классе нелинейных систем. ОПТИМАЛЬНОЕ ОЦЕНИВАНИЕ СОСТОЯНИЯ Часто желательно иметь возможность оценивания состояния системы на основе данных, которые имеют лишь статистическую связь с этим состоянием и, следовательно, не обеспечивают его точного определения. Например, можно пытаться определить положение или скорость находящегося в воздухе объекта по данным слежения локатора, решить вопрос о виде принятого сигнала в линии связи, если известна совокупность возможных передаваемых сигналов. При этом, естественно, встает вопрос об оптимальности (наилучшей точности) полученных оценок. Для линейных систем в качестве критерия оптимальности выступает минимальная среднеквадратичная ошибка оценивания (восстановления) вектора состояния. Обозначим оценку вектора состояния X в некоторый момент времени на основе измерений вектора на интервале через .В зависимости от того, какая задача оценивания решается, имеют место следующие задачи: а) t1 > t, тогда задача называется прогнозированием, или предсказанием; б) t1 = t, задача фильтрации (получение текущей оценки); в) t1 < t, задача сглаживания, или интерполяции. В дальнейшем нас будет интересовать только задача фильтрации. Для вывода уравнений оптимального фильтра нам нужен вывод дисперсионного уравнения. Для перехода к построению оптимального фильтра Калмана напомним постановку и решение задачи оптимальной фильтрации в смысле Н. Винера. Многомерная система определяется как система с i -входами и n-выходами, которые связаны посредством матричной импульсной переходной функции (МИПФ). . Пусть - i-мерный вектор входа фильтра а «-мерный вектор выхода. Тогда связь между векторами и определена интегралом (7.49) Пусть Y(f) - действительный случайный процесс с нулевым математическим ожиданием и корреляционной функцией . Обозначим норму произвольной квадратной матрицы В через ||В|| и определим ее следующим образом:
(7.50) Где tr ( Z ) след, т.е. сумма диагональных элементов матрицы Z. Пусть на вход многомерного фильтра поступает искаженный сигнал как сумма полезного сигнала М( t ) и помехи N( t ), т.е. (1.51) где М( t ) и N( t )- i-мерные векторы с известными корреляционными функциями и . В зависимости от того, какая задача стоит: прогнозирования, фильтрации или сглаживания, определяется МИПФ идеальной системы. В задаче фильтрации , то есть . При такой постановке задачи минимум среднеквадратичной ошибки определяется МИПФ , получаемой из обобщенного уравнения Винера - Хопфа для многомерных систем. (1.55) Известно, что если на вход системы поступает случайный сигнал Y( t ), являющийся стационарным, в широком смысле, случайным процессом, оптимальную матричную передаточную функцию многомерного фильтра можно получить факторизацией рациональной матрицы спектральных плотностей. Р. Калман в своих работах модифицировал постановку задачи многомерной фильтрации Винера, придав ей форму проблемы пространства состояния. В результате такой модификации был получен фильтр Калмана, осуществляющий процедуру рекурсивного оценивания, когда подлежащий оцениванию сигнал является выходным сигналом линейной нестационарной динамической системы. Таким образом, структурная схема модели источника сообщений в виде формирующего фильтра и оптимального линейного фильтра, дающего несмещенную оценку с минимальной среднеквадратичной ошибкой дисперсии , имеет следующий вид Рассмотренный оптимальный фильтр и его уравнение были впервые получены Р Калманом и Р. Бьюси в 1961 году и носит название фильтра Калмана - Бьюси.
12
Популярное: Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... Почему стероиды повышают давление?: Основных причин три... Генезис конфликтологии как науки в древней Греции: Для уяснения предыстории конфликтологии существенное значение имеет обращение к античной... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (324)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |