Captulo 11: State estimation in the presence of noise

11.1.- Introduccin :
la tcnica de estimar los parmetros asociada con
fenmenos fsicos basados en los dimensiones inexactos no
es nueva y ciertamente regresa a tiempo al esfuerzo de
gauss para estimar parmetros de la rbita planetarios
basados en datos tomados de muchos observatorios
europeos.
El tiempo discreto se da por que el sistema dinmico es

el vector de sucesin de rendimiento es una combinacin

lineal de los estados contaminada por el ruido aditivo:

la sucesin Vk tambin es un puramente la sucesin del

azar y normalmente est llamado la sucesin de ruido de
medida.
11.2 A Derivation of the discrete - time vector kalman filter

permtanos considerar el sistema de expresin, pero para

los propsitos de este captulo, permtanos descuidar la
sucesin de esfuerzo de mando.

donde el matrices B y C son respectivamente n x n, n x m, y

r x n. La matrices, A, B, y se asumir que C es tiempo
invariante.
denote este juego de los datos por

y el vector de error de estimacin como

nos gustara escoger Xk tal que el error del cuadrado malo

condicional se minimizar

defina la media condicional ahora como

y la matriz de la covarianza condicional como

sustituya para rendir una funcin del costo

ahora permtanos extender esto para rendir

desde el operador de la expectativa

ahora minimice J con respecto a la estimacin Xk, de

revocando la definicin en los rendimientos

dado los datos pusieron Yk

as que la expectativa condicional es

nosotros podemos escribir una relacin entre densidades
condicionales que usan la ley de probabilidad condicional

sustituyendo la ley condicional,

y ms all la ruptura de abajo

as

esto puede reconocerse como la declaracin de teorema de

bayes para las densidades de probabilidad
donde los vectores malos respectivos se definen como

y las matrices de la covarianza respectivos son

Y:
ahora nosotros necesitamos evaluar estos medios y
covarianzas para rendir

y desde que Wk es independiente de los Kth y

rendimientos todo anteriores, el ltimo trmino es el cero

nosotros debemos evaluar la covarianza ahora S1 para que

permtanos definir

pero nosotros definimos una matriz de la covarianza

condicional previamente en la expresin

as que puede escribirse notando eso es independiente de

Wk de
donde W es la matriz de la covarianza de la sucesin de Wk

y para que

permtanos ahora evaluar la segunda covarianza S2:

extendiendo esta cantidad

De:

entonces

ahora examine la densidad

usando este faet nosotros podemos evaluar ahora

y ahora nos permiti evaluar S3:

llevando a cabo las expectativas indicadas que notan

ahora sustituya todo estos valores en el lado correcto de

y considere slo el argumento del exponencial
volviendo a escribir esta expresin cuidadosamente da

ahora complete los cuadrados en el argumento rendir

ahora iguale los medios y covarianzas de los argumentos de
y el lado izquierdo de

y la covarianza

De:

ahora permtanos demostrar el lemma de inversin de

matriz a la inversin del avoidthe del n X la matriz de n de
expresin
Despus de multiplicar:

reemplace la matriz de identidad por

resolviendo para

ahora sustituya
ste es el coeficiente del ltimo trmino de

y esta matriz normalmente est llamada kalman filtro

ganancia matriz

Y:

el algoritmo de la filtracin que usa ahora como una

condicin inicial puede empezarse.
y la estimacin puesta al da como

donde los kalman se filtran que la matriz de ganancia es

secuencialmente calculada de las ecuaciones de diferencia
de matriz siguientes:

Y:

los valores iniciales de la estimacin y covarianza son

ejemplo 11.1:
permtanos considerar el sistema del scalar con la sucesin de
ruido de proceso Wk y sucesin de ruido de medida Vk dnde
la planta es:
y los dimensiones se dan por

donde el proceso y sucesiones de la medida tienen cera

media y variaciones dadas por

los kalman se filtran por estimar solo las variables estatal es

donde
estiman que la covarianza es
Si nosotros arreglamos el parmetro del sistema a Z = 0.8 y
escoge los varios ruidos para tener las variaciones V = 1 y W = 0.5
los valores estatales de la covarianza y ganancia son m = 0.780 y
K = Z = 0.438
ejemplo 11.2
considere el sistema termal de ejemplos 9.2 y 10.1 qu se
ilustra en fif 11.6. Para los propsitos de estimacin estatal la
temperatura de la cmara interna es moderada y probada. la
ecuacin de la diferencia gobernante se dio en el ejemplo
con una ecuacin de la medida

donde el W(k) y v (k) las sucesiones son estadsticamente

independientes de los ceros
esta forma puede simplificarse para rendir el filtro siguiente:

para las condiciones de la inicial de

 11.3 steady - state kalman filter gains by eigenvector
decomposition

en esta seccin nosotros examinaremos una tcnica para el

cmputo de - los kalman estatales se filtran ganancias que no
requieren la solucin delantera del eqs de diferencia de
matriz. (11.2.68) y (11.2.69) hasta los valores estacionarios
del Zk y Mk covarianza matrices se alcanza.

donde Zk es la covarianza de la estimacin Xk y se da por:

y donde la matriz Mk es la covarianza de la estimacin Xk y

se da por
la tabla 11.1 muestra las cantidades de la matriz anlogas en
el regulador lineal y problemas de estimacin de estado

si el sistema es tiempo - el invariante y estado y V y W no son

funciones de tiempo, entonces un estado firme estadstico
puede alcanzarse por el sistema y Mk se acerca M y Zk se
acerca Z para que las ecuaciones anteriores reducen a
Y:

ahora permtanos devolver al problema del regulador discreto

en su estado firme. en ese problema nosotros encontramos
que para un ecuaciones del regulador firmes y el
acercamiento un estado firme que implica eso

Y:

la nota que las expresiones son completamente anlogo a

pero con los smbolos diferentes.
se define similar a la matriz

el vectores inestables se escribe

como la particin de la matriz:

la matriz por que M se da entonces

y entonces la ganancia de la Eq.

donde
 Ejemplos 11.3
Permtanos considerar el mismo problema considerado en
ejemplo 11.1 donde el modelo de la planta era:

con la medida
donde Wk y Vk son sucesiones estacionarias
independientes malas con las variaciones respectivas

si nosotros insertamos los parmetros en la expresin, la

matriz de estimacin es
 esta matriz son las races de la ecuacin cuadrtica

De:

donde nosotros notamos que son los recprocos con uno

dentro y uno fuera del crculo de la unidad

entonces los kalman estacionarios se filtran y la matriz de

ganancia es