Estimarea recursivă a parametrilor

1. Modelul Gauss-Markov

Măsurătorile în inginerie reprezintă un eşantion limitat de valori

caracteristice din numărul total de valori posibile. Pe baza acestui
eşantion limitat, care are multiple justificări practice, încercăm să
deducem informaţii cât mai exacte asupra realităţii fizice. Pornind de la
aceste considerente şi făcând abstracţie de existenţa unor erori mari în
setul de date măsurate, nu putem stabili cu exactitate dacă un model de
prelucrare este mai bun sau mai rău, ci doar faptul că un model descrie
într-un grad mai ridicat sau mai scăzut realitatea. Problema stabilirii
modelului optim de prelucrare a datelor măsurate, rămâne o latură
esenţială în lucrările inginereşti de compensare.
Modelarea matematică a unei probleme de compensare se
compune din alegerea unui model funcţional şi a unui model stohastic
adecvat şi reprezintă în esenţă o aproximare a realităţii fizice. Între cele
două componente trebuie să existe un echilibru, întrucât orice
inconvenient într-un model sau altul conduce la soluţii diferite, care la
rândul lor, pot descrie mai bine sau mai rău realitatea.
La alegerea modelelor de prelucrare a mărimilor măsurate trebuie
să avem în vedere faptul că măsurătorile noastre conţin un grad ridicat
de informaţii, care pot fi extrase într-o măsură mai mare sau mai mică, în
funcţie de modelul de prelucrare adoptat. Legătura funcţională între
măsurători şi un set de parametri necunoscuţi, precum şi proprietăţile
statistice ale observaţiilor sunt descrise prin modele matematice. Pentru
a putea modela legăturile complexe care au loc în lumea reală şi a
asigura o tratare matematică mai uşoară şi univocă, se folosesc de
regulă modele matematice lineare sau linearizate.
Modelul Gauss-Markov este un model matematic linear, format
dintr-un model funcţional şi un model stohastic, care serveşte la
estimarea unor parametri necunoscuţi. În modelul funcţional sunt
descrise legăturile fizico-matematice între măsurătorile efectuate şi
parametrii necunoscuţi, iar în modelul stohastic proprietăţile teoretice
probabilistice al observaţiilor.

E{l} A x sau l A x (1.1)

cu următoarele proprietăţi stohastice:

 E{ } 0, E{ T
} Cov{ } Cov{l} ll
2
0 Qll (1.2)

Simbolurile au următoarea semnificaţie:

l ( n ,1 ) - vectorul măsurătorilor (observaţiilor);

( n ,1 ) - vectorul erorilor întâmplătoare (reale);
x ( n ,1 ) - vectorul parametrilor funcţionali necunoscuţi;
A (n,u) - matricea de design a modelului funcţional, ce conţine
derivatele parţiale ale observaţiilor în funcţie de
parametri;
ll
(n,n) - matricea de covarianţă a observaţiilor, de cele mai
multe ori cu varianţele observaţiilor pe diagonale;
Qll (n,n) - matricea cofactorilor observaţiilor;
2
0 - varianţa.

În acest model se presupune, că valoarea de aşteptare E{ l } pentru

observaţiile făcute se poate exprima ca o combinaţie liniară de coeficienţi
cunoscuţi şi o serie de parametri necunoscuţi. Combinaţiile liniare rezultă
din anumite legităţi matematice sau fizice, pe baza unor considerente
cantitative.

2. Estimarea parametrilor

În cele mai multe cazuri, numărul n al observaţiilor este

semnificativ mai mare faţă de cel al parametrilor u. Acest lucru conduce
la o supradeterminare a sistemului (1.1) şi datorită gradelor de libertate
de care dispunem (redundanţa r = n - u) teoretic vom avea un număr
foarte mare de soluţii. Presupunând că observaţiile sunt afectate numai
de erori întâmplătoare, nu ar fi justificat să fie eliminate unele observaţii
din modelul de estimare a parametrilor. Observaţiile trebuie să fie
introduse toate în modelare funcţie de ponderea lor, astfel încât
estimarea parametrilor să fie optimă. Din numărul mare de criterii
posibile, care să ducă la o rezolvare optimă, se alege din metoda
patratelor minime acea rezolvare, care să nu altereze parametrii căutaţi
şi să asigure precizia cea mai ridicată, adică varianţă minimă.

E x̂i xi şi sx̂2i minim (2.1)

 Pentru estimarea parametrilor funcţionali şi stohastici necunoscuţi
x i şi 02 se formează mai întâi modelul:

l v l̂ A x̂ , P Qll 1 (2.2)

în care:

v (n,1) - vectorul corecţiilor observaţiilor;

l̂ (n,1) - vectorul observaţiilor compensate;
x̂ (u,1) - vectorul parametrilor estimaţi;
P (n,n) - matricea ponderilor observaţiilor.

Conform metodei patratelor minime, pentru realizarea criteriului de

optimalitate descris de relaţiile (1.2) şi (2.1) trebuie minimizată suma
patratelor corecţiilor:

vT Pv min im (2.3)

Această condiţie de minim conduce la sistemul de ecuaţii normale:

AT PA x̂ AT Pl (2.4)

sau:

N x̂ n (2.5)

Rezolvarea sistemului conduce la aflarea valorilor parametrilor de

estimat:

x̂ ( AT PA ) 1 AT Pl N 1n (2.6)

A căror varianţe s x̂2i se regăsesc pe diagonala principală a matricei

de covarianţă:

S xx s02 ( AT PA ) 1
s02 N 1
s02 Qxx (2.7)

unde:
 v T Pv
s02 (2.8)
r

reprezintă varianţa empirică şi valoarea de aşteptare a varianţei teoretice

2
0:

E{ s02 } 2
0 (2.9)

Estimatorul pentru vectorul parametrilor x este considerat în

statistică ca fiind unul dintre cei mai buni estimatori lineari nealterat (best
linear unbiased estimator – BLUE). Estimatorul pentru parametrul
stohastic 02 este considerat cel mai bun estimator invariant de forma
patratică (best invariant quadratic unbiased estimator – BIQUE), a
cărui proprietate de invarianţă se referă la independenţa faţă de valorile
provizorii introduse în model la linearizare.
În practica inginerească, de multe ori mai sunt de interes
proprietăţile stohastice ale altor mărimi, care pot fi formulate ca funcţii ale
observaţiilor efectuate şi a parametrilor estimaţi. Pentru a sistematiza, se
prezintă mai jos relaţiile matriciale pentru calculul parametrilor, a
observaţiilor compensate, a corecţiilor pentru observaţii şi alte funcţii ale
parametrilor ŷ F x̂ , toate cuprinse în vectorul ĥ :

x̂ Qxx AT P
l̂ AQxx AT P
ĥ l H l (2.10)
v AQxx AT P E
ŷ FQxx AT P

Matricea de covarianţă a vectorului ĥ se formează după legea de

propagare a covarianţelor:

hh H HT 2
0 H Q HT 2
0 Qhh (2.11)

Matricea simetrică a cofactorilor Qhh conţine matricile cofactorilor

subvectorilor din ĥ , iar elementele de pe lângă diagonala principală
conţin informaţii asupra corelaţiilor dintre subvectori:
 Qxx Qxl Qxv Qxy Qxx Qxx AT 0 Qxx F T
Qll Qlv Qly AQxx AT 0 AQxx F T
Qhh (2.12)
Qvv Qvy Qll AQxx AT 0
Q yy FQxx F T

Este de remarcat indepenţa stohastică a corecţiilor faţă de celelalte

rezultate. Această independenţă joacă un rol deosebit de important în
testele statistice.

3. Criteriul „siguranţă” sau încrederea

Este o măsură a calităţii pentru controlul datelor asupra unor

efecte anormale” - O.HEUNECKE
Toate măsurătorile şi calculele într-o reţea trebuie astfel efectuate,
încât valorile obţinute pentru poziţia punctelor să fie de încredere, sigure
(controlabile dacă sunt afectate de valori externe).
Pentru evitarea valorilor externe în setul de observaţii, încă din faza
de teren se asigură următoarele:
a) măsurători de control;
b) transferul controlat al datelor;
c) automatizarea fluxului de date;
d) utilizarea unor programe verificate care asigură controale
intermediare.

Parametrii cei mai importanţi pentru analiza siguranţei (încrederii)

sunt:
1) contributul la redundanţă (contributul fiecărei măsurători în parte
la totalul supradeterminărilor din reţea);
2) încrederea interioară a valorilor măsurate (posibilitatea de
control a valorilor măsurate);
3) încrederea exterioară a coordonatelor (influenţa maximă a valorii
externe nedepistate asupra coordonatelor).

A. Contributul la redundanţă ri :
Numărul supradeterminărilor într-o reţea se distribuie asupra
tuturor măsurătorilor. Contributul la redundanţă pentru o măsurătoare
depinde de precizia ei şi de legăturile geometrice din vecinătatea valorii
măsurate.
El se calculează cu relaţia:
 s02 li
ri qViVi pii 1 Qll AQXX AT ; QVV P 1
Qll (3.1)
li s02
qViVi cofactorul corecţiei măsurătorii li
pii ponderea observaţiei l ii
s 0 li = abaterea standard a valorii măsurate după compensare (a
posteriori)
s 0 l i = abaterea standard a valorii măsurate li înainte de compensare (a
priori)

Contributul la redundanţă are următoarea semnificaţie:

- ce contribut are o măsurătoare la redundanţa totală;
- cu ce expresivitate se răsfrânge o eroare din măsurătoarea
respectivă, asupra corecţiei sale.
ri - este adimensional şi este mereu cuprins în intervalul (0,1).
“0” înseamnă că nu există supradeterminare pentru determinarea unui
punct, iar “1” înseamnă că punctul este 100% supradeterminat şi
măsurătoarea redundantă nu contribuie cu nimic la determinarea
punctului.
Din valoarea contributului la redundanţă se poate trage concluzia:
câte părţi dintr-o eventuală eroare externă se răsfrânge în corecţia
măsurătorii respective. Cu cât ri este mai mare, cu atât şi o eroare se va
răsfrânge mai puternic în corecţia corespunzătoare.
Pentru a asigura ri cât mai bine (0,3-0,6) este necesar ca în reţea
să se asigure măsurători suplimentare independente.

B. Încrederea interioară

Încrederea interioară cuprinde aşa numitele procedee şi tehnici de

depistare a erorilori mari (valori externe).
Controlul reciproc al măsurătorilor se face prin teste statistice.
Testarea se face cu valorile corecţiilor vi , folosind relaţia:
vi vi
wi (3.2)
s0 Vi s0 l ri
i

de la care se pretinde a avea o distribuţie normală, şi care devine

mărimea de testat (statistica).
Ea se compara cu V.L.T.D.- valoarea limită pentru testarea datelor
(VLDS - valoarea limită pentru “data snooping” [Baarda]).
 Din experienţa practică, pentru reţele planimetrice de ridicare,
valoarea limită pentru testarea datelor (V.L.T.D.) este considerată de
regulă ca fiind egală cu 3,6.
Dacă: wi >VLTD atunci măsurătoarea „i” este bănuită a fi afectată
de o valoare externă.
Pentru a depista o valoare externă, se calculează o valoare limită
li , care depinde de datele iniţiale ale testului, de precizia de măsurare
şi de contributul la redundanţă.
VLTD
li s 0 li (3.3)
ri
Erori mari (valori externe) care sunt mai mici decât li nu mai pot
fi depistate. li fiind dependent de contributul la redundanţă, este bine,
şi se tinde în lucrările geodezice ca ri să fie cât mai mare pentru a obţine
valori li cât mai mici.
Exemplu: 3,6 pentru un set de direcţii măsurate cu o
li 7 cc
ri
precizie de 7cc.

ri li
cc
0,06 102,9
0,08 89,1
0,1 79,7
0,3 46,0
0,5 36,1
0,8 28,2
1,0 25,2

C. Încrederea exterioară:

Erorile care sunt mai mici decât li nu mai pot fi depistate. În

cazul cel mai nefavorabil, când eroarea este egală cu li , eroarea în
coordonate sau a unor funcţii ale acestora, se numeşte “încrederea
exterioară”.
Încrederea exterioară a coordonatelor oferă numai informaţii în
sensul celor două axe de coordonate. La rotaţii ale sistemului de axe, ar
rezulta evident alte valori.
 4. Filtrarea KALMAN

Pentru modelarea unor fenomene dependente de timp, datele pe

care le culegem în teren apar secvenţial, la diferite intervale de timp
(sunt excluse aici măsurătorile continue). Pentru o modelare şi
interpretare corectă a fenomenelor, în multe situaţii, pe lângă
măsurătorile efectuate la diferite momente de timp, avem nevoie şi de
alte informaţii, astfel că trebuie să discutăm de prelucrarea datelor de
intrare. Datele de intrare le vom grupa în vectorul L . Pentru prelucrare
rezultă în principiu 3 probleme:
Filtrarea; Din toate datele cunoscute până la momentul t k ,
cuprinse în vectorul datelor de intrare L , în special măsurătorile
efectuate, trebuie să determinăm elementele vectorului
necunoscutelor x̂k .
Predicţie; Pe baza datelor actuale de intrare la momentul t k şi
a informaţiilor acumulate în timp asupra comportării sistemului
(date istorice), vrem să determinăm care va fi parcursul
procesului pentru un viitor moment t k 1 ;
Optimizare; Din datele actuale de intrare, în special a
măsurătorilor şi a informaţiilor culese până la un moment
anterior, se caută traseul mediu optimizat în acest interval.
Filtrarea KALMAN are, în acest context al descrierii fenomenelor
dinamice dependente de timp, o importanţă deosebită.

4.1 Problema navigatorului

Pentru a înţelege modul de acţiune al filtrului Kalman, ne

transpunem în situaţia unui navigator. Presupunem că la momentul t k ,
poziţia X k a unui vapor este cunoscută. Vaporul se deplasează cu viteză
şi curs cunoscut de-a lungul coastei. Cu aceste informaţii de viteză şi
curs, navigatorul poate să calculeze care va fi poziţia viitoare a navei la
momentul t k 1 , deci face o predicţie în sensul teoriei de filtrare Kalman.
În funcţie de curenţii marini, a vântului, a altor factori perturbatori şi
a intervalului de timp t t k 1 t k ales, poziţia predicţionată X k 1 va fi tot
mai imprecisă relativ la poziţia X k . Acest lucru este reprezentat grafic
prin elipsa mare în jurul punctului predicţionat. Navigatorul va fi deci
nevoit, să confirme poziţia vasului printr-o nouă determinare de poziţie la
momentul t k 1 . Pentru aceasta poate să măsoară de exemplu azimutul
spre balizele B1, B2, şi B3. Poziţia determinată din aceste măsurători
este mai precisă, însă datorită erorilor de măsurare va avea şi ea o
elipsă de eroare, însă mult mai mică. Dacă cele două poziţii, cea
predicţionată şi cea determinată din măsurători, corespund în limita
preciziei aşteptate, atunci navigatorul va avea o confirmare, că viteza,
curenţii marini şi alte efecte secundare au fost evaluate corect şi
manevrele au fost corecte. Dacă poziţiile sunt mult diferite şi depăşesc
aşteptările, este evident nevoie de o analiză a cauzelor. Diferenţa dintre
poziţia determinată din măsurători şi cea predicţionată se numeşte
Inovaţie. Această inovaţie devine deosebit de importantă pentru
navigator, pentru reevaluarea influenţei curenţilor marini şi a vântului,
pentru a asigura o navigare corectă. Cu aceste valori reevaluate, deci o
descriere mai corectă a sistemului, el va încerca să îşi îmbunătăţească
viitoarea poziţie predicţionată. Problema navigatorului este deci de
natură recursivă, deci un proces repetitiv de comparare a poziţiei
predicţionate cu cea determinată din măsurători, de calculare a inovaţiei
şi asigurarea unei noi predicţionări mai corecte. Pe navigator în cele mai
multe situaţii nu-l interesează primordial poziţia momentană, ci unde va
naviga peste un anumit interval de timp, pentru a evita diferite obstacole.

Figura 4.1
 Descrierea matematică a acestei probleme, dar şi a multor alte
fenomente evolutive în timp este asigurată de filtrul Kalman. Un exemplu
în acest sens ar putea fi o alunecare de teren. În această situaţie zona
supusă alunecării va fi discretizată şi urmărită în mai multe puncte
caracteristice, deci vorbim de un câmp de puncte, iar în locul
navigatorului se va afla inginerul.

4.2 Transpunerea acestui raţionament la Filtrul KALMAN

Referitor la Filtrul KALMAN vectorul datelor de intrare L trebuie

astfel organizat, încât o parte a datelor să formeze ecuaţiile de sistem,
iar o altă parte ecuaţiile măsurătorilor. Combinarea celor două
categorii de ecuaţii caracterizează filtrul.
Dacă datele ecuaţiilor de sistem au condus deja la un rezultat
provizoriu x k 1 , atunci datele obţinute din măsurători la momentul t k 1 (al
doilea grup de ecuaţii) pot fi utilizate pentru corectarea primului grup.
Este important, ca între cele două grupuri de ecuaţii să nu existe
componente comune în modelul stohastic.

Date disponibile:

 Ecuaţiile de sistem
Starea iniţială sau de referinţă xk şi componenta stohastică xx ,k .
La recursivitatea filtrului această stare trebuie privită ca un rezultat al
unei compensări anterioare. Pentru etapa iniţială trebuie estimat foarte
bine.
Vectorul mărimilor de poziţie uk şi matricea de covarianţă
uu ,k aferentă, care în combinaţie cu matricea de poziţie Bk ,k 1 permit o
modelare a unor schimbări deterministice (sistematice). De regulă
vectorul de poziţie uk este chiar el rezultatul unei compensări şi astfel,
poziţia devine un set de măsurători indirecte.
Vectorul mărimilor perturbatoare wk şi matricea de covarianţă
ww ,k aferentă mai poartă şi denumirea de zgomot al sistemului.

 Ecuaţiile măsurătorilor
Vectorul măsurătorilor l k 1 împreună cu zgomotul măsurătorilor
ll ,k 1 conţine atât mărimi măsurate direct, cât şi indirect. După ce s-au
aplicat acestora toate corecţiile şi reducţiile posibile, acestea servesc mai
departe controlului ecuaţiilor de sistem.
 Cu aceasta, vectorul datelor de intrare L inclusiv a modelului său
stohastic, poate fi exprimat sistematizat sub forma:

xk xx ,k
uk uu ,k
L LL (4.1)
wk ww,k
lk 1 ll ,k 1

Se remarcă că nu există covarianţe încrucişate în LL , ceea ce

corespunde în marea majoritate a aplicaţiilor practice.
Prin extrapolarea datelor din ecuaţiile de sistem de la momentul t k
la un moment t k 1 se obţine vectorul de poziţie predicţionat x k 1 .

xk
xk 1 Tk 1,k Bk 1,k Ck 1,k uk (4.2)
wk

Semnificaţia matricilor de sistem este:

Tk 1,k - matricea de tranziţie;
Bk 1,k - matricea mărimilor de poziţie;
C k 1,k - matricea mărimilor perturbatoare.

Matricea de covarianţă corespunzătoare vectorului mărimilor de

poziţie predicţionat are forma:

xx,k 1 Tk 1,k xx,k TkT 1,k Bk 1,k uu ,k BkT 1,k Ck 1,k ww ,k CkT 1,k (4.3)

O linearizare conduce în modelul Gauss-Markov la forma:

xk 1 E v x ,k 1 x x ,k 1
x̂k 1 ; LL ,k 1 (4.4)
lk 1 Ak 1 vl ,k 1 ll ,k 1

Prima linie din ecuaţia de mai sus reprezintă ecuaţia de sistem, iar
cea dea doua ecuaţia măsurătorilor. Combinarea acestor două,
reprezintă esenţa filtrului Kalman, care prin rezolvare conduce la vectorul
de stare x̂ k 1 şi la matricea de covarianţă corespunzătoare x̂x̂ ,k 1 .

4.3 Compensarea şi ecuaţii recursive de filtrare

Ecuaţia de actualizare pentru vectorul de stare poate fi scrisă sub

forma:

x̂k 1 xk 1 Kk 1 dk 1 (4.5)

unde:
K k 1 Fi reprezintă matricea de amplificare, notată uzual sub
această formă în filtrarea KALMAN şi se calculează cu relaţia:

Kk 1 Qxx ,k 1 AkT 1 ( Qll ,k 1 Ak 1 Qxx ,k 1 AkT 1 ) 1

(4.6)

şi inovaţia:

dk 1 lk 1 Ak 1 xk 1 (4.7)

Modelul stohastic din relaţia (4.4) este scalat cu factorul 02 , pentru

a putea opera în ecuaţiile de filtrare cu matrici cofactoriale. Considerăm
că numărul parametrilor de stare necunoscuţi din relaţia (4.5) este de
n x ,k 1 , dimensiunea inovaţiei d k 1 , şi prin aceasta numărul observaţiilor
pentru actualizare este de nl ,k 1 . Aceasta conduce la faptul că, în
compensare, conform modelului matematic din relaţiile (4.4), vor intra
nx ,k 1 nl ,k 1 observaţii, pentru a determina n x ,k 1 necunoscute. Parametrii
de stare x k 1 necunoscuţi reprezintă observaţii directe, iar observaţiile
l k 1 utilizate la procesul de actualizare, reprezintă de regulă observaţii
indirecte.
Pe lângă matricea K k 1 şi vectorul inovaţie d k 1 se introduce în
model matricea cofactorilor inovaţiei, ca a treia matrice caracteristică
filtrării KALMAN:

Dk 1 Qll ,k 1 Ak 1 Qxx ,k 1 AkT 1 (4.8)

 Pe lângă elementele vectorului de stare x̂ k 1 din relaţiile (4.4) mai
sunt de interes aflarea corecţiilor v x ,k 1 şi vl ,k 1 , precum şi inovaţia d k 1 .
Este deci util, ca toate aceste mărimi să fie grupate într-un vector h şi să
le exprimăm sistematizat în funcţie de datele de intrare.

dk 1 Ak 1 E
x̂k 1 E K k 1 Ak 1 Kk 1 xk 1
h (4.9)
v x ,k 1 K k 1 Ak 1 Kk 1 lk 1
vl ,k 1 Qll ,k 1 Dk 11 Ak 1 1
Qll ,k 1 Dk 1

Matricea cofactorilor corespunzătoare vectorului h, va avea forma:

Dk 1 0 Dk 1 K kT 1 Qll ,k 1
0 Qxx ,k 1 K k 1 Dk 1 K kT 1 0 0
Qhh
K k 1 Dk 1 0 K k 1 Dk 1 K kT 1 K k 1Qll ,k 1
Qll ,k 1 0 Qll ,k 1 K k 1 Qll ,k 1 Dk 11Qll ,k
T
1

(4.10)

Primul element de pe diagonala principală reprezintă matricea

cofactorilor inovaţiei şi este importantă în analiza compatibilităţii dintre
ecuaţiile masurătorilor şi a celor de sistem. Al doilea element de pe
diagonala principală Qx̂x̂ ,k 1 împreună cu factorul de scalare 02 respectiv
s 02 conţine informaţia de precizie despre vectorul de stare x̂ k 1 .
Elementul al treilea şi al patrulea de pe diagonala principală formează
împreună cu componentele lor de corelaţie K k 1Qll ,k 1 respectiv
Qll ,k 1K kT 1 matricea cofactorilor corecţiilor Qvv , din care se deduce
matricea de redundanţă Rk 1 . Rezultă deci:

v x ,k 1 K k 1 Ak 1 Kk 1 xk 1 xk 1
Rk 1 (4.11)
vl ,k 1 Qll ,k 1 Dk 11 Ak 1 Qll ,k 1 Dk 11 lk 1 lk 1

Matricea de redundanţă este utilizată la analiza încrederii. Numărul

gradelor de libertate pentru procesul de actualizare este:

fk 1 urma( Rk 1 ) nl ,k 1 (4.12)
 Redundanţa sistemului sau redundanţa de filtrare este nl ,k 1 şi
corespunde cu numărul măsurătorilor l k 1 utilizate la procesul de
actualizare, independent de numărul parametrilor de stare necunoscuţi
n x ,k 1 . Defecte de configuraţie sunt inevitabile datorită procedurii. Ele
conduc însă la transparenţa unei filtrări. Nu trebuie să neglijăm nici
corelaţiile matematice produse prin extrapolare în matricea cofactorilor
Qxx ,k 1 a vectorului de stare x k 1 predicţionat. În utilizarea filtrelor este
deci necesară o analiză detaliată a proprietăţilor numerice a procesului
de filtrare.
Introducerea relaţiei (4.7) în (4.11) ne arată legătura între corecţiile
gaussiene v k 1 şi inovaţia d k 1 care mai poartă şi denumirea de corecţii
predicţionate.

v x ,k 1 Kk 1
dk 1 (4.13)
vl ,k 1 Qll ,k 1 Dk 11

Varianţa unitară a unui de proces de actualizare va avea forma:

d kT 1 Dk 11 d k 1
s02 (4.14)
nl ,k 1
care permite aplicarea unui test global. Dacă testul nu arată o inovaţie
semnificativă, procesul de actualizare poate avea loc conform (4.10).
Pentru recursivitatea filtrului dispunem acum de o nouă stare a
sistemului, prin introducerea în relaţiile de calcul:

x̂k 1 xk şi Qx̂x̂ ,k 1 Qxx,k (4.15)

Evaluarea statistică a inovaţiei

Dacă comportarea realităţii descrisă de ecuaţiile de sistem nu

corespunde cu cea obţinută din măsurători, atunci modelul de
compensare descris de ecuaţiile (4.11) se consideră perturbat. O decizie
asupra compatibilităţii poate fi luată printr-un test global de
compatibilitate, prin formularea ipotezei de zero H 0 :

H0 : E{ d k 1 } E{ lk 1 } Ak 1 E{ xk 1 } 0 (4.16)

căreia i se opune relaţia de probabilitate:

 P{ d kT 1Dk 11d k 1
2
nl ,k 1,1 H0 } 1 (4.17)

Dacă mărimea de testat (statistica) d kT 1Dk 11d k 1 este mai mare

decât valoarea distribuţiei 2 cu nl ,k 1 grade de libertate şi la nivelul de
semnificaţie 1 , atunci inovaţia d k 1 va fi acceptată ca semnificativă şi
modelul de compensare perturbat.
La o inovaţie semnificativă trebuie analizate cauzele, pentru a le
putea localiza şi elimina. Cauzele care au condus la incompatibilitate pot
fi atât în ecuaţiile de sistem şi cele ale măsurătorilor, cât şi în modelul
funcţional şi cel stohastic al ambelor grupe de ecuaţii.

4.4 Filtrul KALMAN într-un model cvasistatic

În acest model clasic, stările statice ale obiectului la două etape de
observare, sunt comparate din punct de vedere pur geometric,
considerând un câmp cvasistatic de puncte:

X Xk 1 Xk . (4.18)

Dacă nu se ţine cont nici de parametrii materialului din care este

constituit obiectul analizat, şi nici de forţele exterioare, atunci, poate fi
dedusă o formulare simplificată a modelului Gauss-Markov. În acest caz,
vectorul de stare este constituit numai din coordonate:

x I vx
xˆ (4.19)
lk 1
Ax k 1
vl k 1

Această variantă a comparaţiei cumulative a mai multor etape de

măsurare este implementată în programul de prelucrare HANNA, care
reprezintă procedeul standard de evaluare în analiză cvasistatică a
deformaţiilor la Institutul Geodezic din Hanovra. Ideea de bază propusă
de Pelzer (1988) este de a introduce pseudo-observaţiile:

x 0 (4.20)
cu matricea de dispersie a variabilelor aleatoare completată numai pe
diagonala principală:
2
ss , k 0 DxQww, x DxT (4.21)
 Valorile individuale ale dispersiei s,i ar trebui să descrie mişcările
anticipate ale punctelor din reţea. Având în vedere că, în teoria filtrării,
„zgomotul“ la ieşirea din sistem constituie o componentă fundamentală,
Pelzer particularizează această noţiune la cazul analizei deformaţiilor,
considerând că mişcările punctelor sunt, în general mişcări proprii. Deci,
pentru predicţie, coordonatele etapei anterioare se vor prelua iniţial
nemodificate. Ulterior, posibila modificare a coordonatelor etapei
anterioare se va lua în calcul prin creşterea dispersiei:

xk 1 xˆk , (4.22)

xx , k 1
2
0 Qxxˆˆ ,k Qss ,k . (4.23)

Rezultă modelul stohastic aferent:

2
Qxx 0
k 1 0 . (4.24)
0 Qll k 1

Analog relaţiei (4.7) se determină „inovaţia“:

dk 1 lk 1 lk 1 . (4.25)

Dacă se preiau Dk+1, conform (4.8) şi s20,k+1, conform (4.14), precum

şi ipoteza nulă (4.16), atunci poate fi formulat un test global, bazat, de
exemplu, pe repartiţia Fisher, faţă de etapa anterioară, după cum
urmează:
s0,2 k 1
P 2
Fnk 1 ,nk ,1 H0 1 . (4.26)
s 0, k

Acceptarea, în urma testului, a ipotezei nule din (4.16) semnifică un

model perturbat prin creşterea zgomotului din sistem (Pelzer 1988). În
acest caz, prin adaptarea corespunzătoare a metodei discrepanţei
maxime (Heunecke 1994), sunt identificate punctele care generează
incompatibilitatea respectivă, adică punctele care au suferit deplasări.
Dacă există compatibilitate, atunci, în final, poate fi determinat câmpul
deplasărilor şi pot fi efectuate în continuare celelalte calcule specifice:

x H k 1d k 1 . (4.27)
 4.5 Filtrul KALMAN în modelul cinematic

În analiza cinematică a deformaţiei, coordonatele se reprezintă ca

funcţii de timp cu parametri cinematici X .. În acest caz, câmpul cinematic
de puncte se exprimă ca:

Xk 1 Xk kin X, X , t (4.28)

Dacă se consideră numai formularea polinominală, atunci, după

introducerea notaţiilor

x : viteze ale punctelor

x , (4.29)
x : acceleratii ale punctelor

ecuaţia de mişcare a coordonatelor are forma:

1 1 2 x
xk 1 xk xk t xk t 2 = xk t t = xk + B x ,k (4.30)
2 2 x k

Parametrii cinematici X ,k+1 sunt dependenţi funcţional de X ,k, astfel

că trebuie introdus:

x ,k 1 C x ,k
x ,k 1
x I t x , C . (4.31)
x ,k
xk 1
0 I xk

În vectorul de stare y, prin x , sunt incluse primele două derivate

din x, funcţie de timpul t. În mod obişnuit, în cazul aplicării continue a
filtrării, mărimea de perturbare w acţionează numai pe derivata
superioară din vectorul de stare y . Chiar dacă, după o discretizare, wk
intervine în predicţia tuturor componentelor lui yk+1, mărimea de
perturbare apare efectiv numai în derivata superioară a lui x.
Luând în considerare recomandările lui Pelzer (1987) şi Heunecke
(1989), va fi necesară introducerea unei matrici de perturbare S. Ţinând
cont de (4.30) şi de (4.31), ecuaţia sistemului are forma:
 yk 1 T yk S Dwk
1 2 1 2
I t t t
x 2 x 2
x 0 I t x t Dwk (4.32)
xk 1
0 0 I xk I

Neexistând mărimi deterministice, la fel ca şi în metoda

cvasistatică, se poate vorbi de sisteme „libere“. În cazul măsurătorilor
pentru determinarea deformaţiilor, sistemele libere permit prognoza prin
predicţie pentru viitorul apropiat. Plecând de la (4.32) se calculează
starea de predicţie:

yk 1 Ty k (4.33)

yy ,k 1 T yˆyˆ ,k TT SD ww ,k DT S T (4.34)

Se poate constata că modelul Gauss-Markov, poate fi adoptat ca

atare, iar metoda cinematică, la fel ca şi metoda cvasistatică, pot fi
considerate cazuri particulare ale metodei dinamice. Dacă testul global al
„inovaţiei“ nu indică nicio incompatibilitate, atunci starea sistemului este
actualizată prin următoarele două ecuaţii:

yˆ k 1 yk 1 H k 1d k 1 (4.35)

ˆˆ , k 1
yy yy , k 1 H k 1Dk 1H kT 1 . (4.36)

4.6 Algoritmul de filtrare – în rezumat

a) cunoscut la momentul tk:

- vectorul de stare ŷk
- matricea cofactorilor Qŷŷ

b) predicţia stării sistemului pentru momentul t k 1 :

yk 1,a Tŷk

Qyˆyˆ , k 1, a TQyˆyˆ , kT T

18
în matricea T se va folosi t ca intervalul de timp dintre etapa tk şi
momentul actualizării stării sistemului.

c) cunoscut la momentul t k 1 :
- vectorul observaţiilor l n ;
- matricea cofactorilor măsurătorilor Qll .

d) pregătirea datelor de intrare pentru procesul de filtrare:

- matricea de configuraţie Ax;

- matricea de tranziţie Tk , cu specificaţia că t se referă la

intervalul de timp între cele două etape;

- matricea perturbatoare S , în care se va utiliza t ;

- estimarea acceleraţiilor în punctele reţelei şi formarea vectorului

acceleraţiilor;

- estimarea matricei aa .

e) derularea procesului de filtrare:

- predicţia stării pentru momentul t k 1 :

yk 1 Tsl yk 1, a Sa

- predicţia matricei cofactorilor:

Qyyk 1 Tsl Qyyk T

1, a s
T
SQaa S T

- calcularea matricei cofactorilor inovaţiilor:

D Qll , k 1 AyQyy , k 1, a ATy

- calcularea matricei de amplificare:

K Q yyK 1, a
ATy D 1

- calcularea vectorului inovaţiilor:

dk 1 lk 1 Ay y k 1

19
- determinarea vectorului de stare actualizat:

yˆ k 1 yk 1 Kd k 1

- determinarea matricei cofactorilor actualizată:

Qyˆyˆk 1 Qyyk 1, a KDK T

f) calcularea corecţiilor şi estimarea varianţelor:

- calcularea corecţiilor de sistem şi pentru măsurători

vy Kd k

vl Qll , K 1D 1dk

- calcularea matricii cofactorilor

Q KDK T
vy vy

Q Qll , K 1 AyQyˆyˆ ATy

vl vl

- determinarea varianţei empirice

dkT D 1dk
S02 ,k 1
nk

g) Testarea modelului conform (4.17).

20
21
22