Page 127 - 5637
P. 127
Введемо вектор = { (0), … , ( )} оцінок випадкових величин (0), … , ( ).
Адаптивний алгоритм отримання стабільного рішення ̅( ) завдання фільтрації має
наступний вигляд:
̅( ) = ( − 1) ( − 1);
( ) = ( − 1) ( − 1) ( − 1) + ( − 1) ( ) ( − 1),
( ) = ̅( ) + , [ ( ) − ( ) ̅( )],
( , ) = ( ) ( ) ( ) ( ) ( ) + ( ) ( ) + 1 − ( ) ( ) , = 1, 2, … .
Початкові наближення задаються: (0) = ̅(0) = ( ) , (0) = ( ) .
Як видно з наведених співвідношень, адаптивний фільтр Калмана складається з
двох фільтрів, які підключаються відповідно до того, яка з моделей шумів
вимірювання класифікується як справжня. Зазначені фільтри формуються на основі
однотипних алгоритмів, що розрізняються лише способом вибору коефіцієнтів
підсилення , , які міняються в залежності від виду перешкоди.
Коефіцієнт , який визначає значення порога у вирішальному правилі
[∆ ( )] ≥ , доцільно визначати для конкретної задачі за допомогою імітаційного
моделювання процесу фільтрації. Можна запропонувати також інший підхід [52],
пов'язаний із застосуванням оптимальних (байєсівських) вирішальних правил. В цьому
випадку свавілля, наявний у виборі , переноситься на вибір відповідної матриці
втрат, реалізувати який не менш (а часом і більше) складно, ніж визначити
безпосередньо коефіцієнти .
Розглянемо задачу побудови адаптивного варіанту фільтра Калмана в разі, коли
коваріаційний функції шумів системи і похибки вимірювання частково відомі.
Припустимо, що дискретна лінійна система описується рекурентними
співвідношеннями
( + 1) = ( ) + ( );
(6.34)
( ) = ( ) + ( ),
де ( ) – -мірний вектор стану системи; – перехідна ( × )-матриця; і –
матриці розміру × і × ; = 0, 1, … .
Припустимо, що вектори ( ) і ( ) ( і -мірні відповідно) представляють
собою некорельовані гаусові шуми з наступними характеристиками:
[ ( )] = 0, [ ( ) ( )] = ;