КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Использование преобразования Лапласа 3 страницатов. Эмпирический риск назван так потому, что в риск входят наблюдения. Согласно формуле (2) требуется минимизировать риск, а следовательно уменьшить влияние шумов.
Если бы не была придумана модель уравнения (1), тогда невозможно было бы записать риск . Необходимо так выбрать , чтобы получить минимум по всей траектории. Эти будем обозначать: - оптимальная траектория Она получается путем дифференцирования , i=1,2...n Проделав математические операции получаем одномерный фильтр Калмана. (3) ; - задано n=1,2...
Комментарий к формуле (3):
Фильтр Калмана сглаживает шумы и оказывается, если шу- мы гауссовские, то этот фильтр является оптимальным. (4) n ® ¥ Т.е. среднеквадратическая ошибка будет минимизирована. Если шумы не являются гауссовскими, то такая оценка является ассимптотически минимальной, т.е. (4) выпол- няется когда n ® ¥. Формула (4) является критерием минимума среднеквадрати- ческой ошибки. Фильтр Калмана дает оценку процесса истинного процесса для гауссовских шумов, оптимальную по критерию (4), т.е. по критерию минимума среднеквадратической ошибки.
Замечание 1: Оптимальность означает, что не существует другого фильтра, который мог бы дать такие же результаты по среднеквадратической ошибке.(Остальные фильтры дают большую ошибку)
Замечание 2: Фильтр Калмана, в отличие от согласованного фильтра, выделяет форму сигнала наилучшим образом. (Согласованный фильтр обнаруживает сигнал и дает максимум отношения сигнал/шум на выходе и сильно искажает сигнал) Для согласованного фильтра все равно какая форма сигнала на выходе, а фильтр Калмана выдает тот же сигнал, что и на входе. Т.е. согласованный фильтр - для обнаруже- ния сигнала, а фильтр Калмана - для фильтрации от шумов.
Замечание 3: Фильтр Калмана записывается во временной области, а не в частотной, как фильтр Вин- нера.
Фильтр Виннера - реализован в частотной области.
(5) K(w) - оптимальная функция передачи, которая мини- мизирует среднеквадратическую ошибку.
y(t) - Оценка оптимальна. Она минимизирует СКО.
- энергетический спектр (распределение энергии случайного процесса). - энергетический спектр помехи. Фильтр Калмана и Виннера дают - одинаковое качество фильтрации, однако фильтр Калмана проще ре- ализуется на ЭВМ. Поэтому его и АЧХ (пунктир) используют.
-
режекция помехи
Анализ фильтра Калмана
Фильтр Калмана
;
x(t)- ненаблюдаемый случайный процесс y(t)- наблюдаемый случайный процесс
y(t) На входе фильтр Калма- на использует наблюде- ния и начальные усло- вия. На выходе фильтра x(t) получается исходный процесс x(t).
Фильтрация медленных процессов
x(t) При а=0.999, , есть медленный процесс, тогда , это следует из формулы (3).В этом случае - t - экстраполяция (прогноз),т.е. прошлая и текущая оценки поч- ти одинаковы. В таком фильтре Калмана почти полностью иг- норируются наблюдения. При оценке ситуации фильтр Калмана не доверяет наблюдениям, а 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 k´k, H - матрица m´k. - 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- хоже на уравнение (1) модели. 2. В отличие от фильтра Калмана, в , при рек- курентном его вычислении входит - оценка ‘x’ на первом шаге. Коэффициент усиления можно вычислить заранее за ‘n’ шагов (в фильтре Кал- мана). Но здесь этого сделать нельзя. Сущест- вует так называемая обратная связь.
Пример нелинейной фильтрации:
; T - период колебания t - период дискретизации t - текущее время - фаза гармонического колебания с амплитудой равной 1
процесс наблюдается на фоне шума
- дискретная частота;
(4)
t
Т
Отношение сигнал/шум может быть меньше 1. Требуется получить оценку фазы, такую, чтобы разница в квадрате была минимальной.
. Из (3) получаем:
(5)
Перемножим и пренебрежем 2й гармоникой:
(6) - ФАПЧ
(5) - ФНЧ, фильтрует 2-ю гармонику полностью(раз- ностное уравнение)
Структурная схема ФАП
- на вход
вх a
синтезатор t опоры На вход поступает аддитивная смесь.
Принцип работы ФАП
Измеритель фазы является следящей системой с отрицатель- ной обратной связью. Опорное колебание с фа- зой - экстраполированная фаза. º . Чем точнее экстраполяция, т.е. чем меньше , тем точ- нее будет оценка.
Глава 5 Оптимальное управление дискретными динами- ческими системами
Существует два типа детерминированных управляемых процес- сов (детерминированных систем)
(1) - детерминированная система
- управление (некоторая функция от дискретного времени, которая входит в разностное уравнение динамической системы)
Стохастическая управляемая система
(2) , где - шум(может быть белым ), а может быть и небелым, например, описываться сколь- зящим средним ().
Критерий оптимального управления
Пусть модель (1) или (2) генерирует случайный процесс:
- управляемый процесс с дискретным временем, т.е. процесс должен развиваться таким образом, чтобы минимизировать некоторую функцию риска, тогда уп- равление называется оптимальным.
Математически это выглядит так:
, где f(×) - выпуклая функция При движении ракеты по некоторой траектории из точки А в точку В траектория должна быть такой, чтобы минимизиро- вать энергетические затраты на управление.
Пример 2: Существует некоторая эталонная траектория. Необходимо привести движение про- цесса к эталону за минимальное время. Это называется оптимизация x(t)-эталон по быстродействию. Существует мно- жество способов аналитического на- хождения оптимальной функции упра- x(t) вления.
Метод динамического программирования
Имеется детерминированная система:
(1)
Принцип Бэлмана - состоит в том, что оптимальное управ- ление ищется с конца в начало (из будущего в прошлое). Задача решается в обратном направлении.
(2)
Аналитическое решение задачи по Бэлману
Предположим, что мы отправились из и прошли траекторию: . И предположим, что за ‘k’ шагов управление вы- брали. Принцип динамического программирования основывает- ся на том, что любой кусок траектории оптимального управ- ления является оптимальным.
(3) Траектория от (k+1) до ‘n’ называется хвостом.
N - последняя точка в управлении
С учетом (3) запишем:
(4)
Допустим, что начиная от шага (k+1) до ‘n’ в формуле (4) оптимальное управление уже выбрано.
(5) k=N,N-1,...,1
(6)
Формула (6) называется уравнением Бэлмана (уравне- ние динамического программирования)
Выводы: (из уравнения (6))
Дата добавления: 2014-12-16; Просмотров: 465; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |