Линейная фильтрация в дискретном времени
Рассмотрим частный случай линейной фильтрации, когда уравнения наблюдения (12.1) и сообщения (12.2) являются линейными и заданы в виде скалярных разностных уравнений
l(0) = l0 .
Предполагается, что здесь Нn = H(tn) и bn = b(tn) есть заданные функции времени; nn , nln - гауссовские шумы с нулевыми средними значениями и дисперсиями Dn и Dln соответственно; интервал времени D = (tn -tn-1) определяется временем дискретизации процессов.
Согласно (12.12) все значения ln получаются в результате линейного преобразования последовательности независимых распределенных по гауссовскому закону случайных величин nli, i = 0,1,...,n. Поэтому, при гауссовском распределении начального значения l0 случайная величина ln будет также распределенной по гауссовскому закону. Совместно гауссовскими будут являться также совокупности случайных величин и .
Известно, что условные плотности вероятности совместно гауссовских случайных величин являются гауссовскими. Поэтому плотность вероятности
на (n-1)-м шаге является гауссовской и имеет вид
,
где с1 - нормировочная постоянная, - апостериорная дисперсия, - оптимальная оценка .
Путем соответствующих преобразований можно показать, что условная плотность вероятности на n-м шаге является также гауссовской и имеет вид
. (12.13)
Из формулы (12.13) следуют результирующие уравнения для оценки и дисперсии , которые определяют дискретный фильтр Калмана. Они носят рекуррентный характер и имеют следующий вид:
|
|
Структурная схема дискретного фильтра Калмана изображена на рис.12.4, где Кn = =Нn(Rn/Dn).
Предположим, что наблюдения отсутствуют, то есть H(tn) º 0. Тогда апостериорная плотность вероятности совпадает с априорной и из (12.14) имеем
.
Это есть уравнение прогноза по априорным данным. При этом фильтр Калмана вырождается в фильтр, который обведен на рис.12.4 штриховой линией. Это есть формирующий фильтр (ФФ) для передаваемого сообщения l(t). Следовательно, априорные сведения о сообщении "заложены в конструкцию" оптимального фильтра.
На входе дискретного фильтра Калмана из принимаемого колебания xn вычитается его предсказуемая часть Нnbn-1 . Из этой разности с весовым коэффициентом Кn и из априорных сведений bn-1 формируется оптимальная оценка . Процедура образования оценки является рекуррентной (то есть повторяющейся), очень удобной для реализации на ЭВМ.
Дискретный фильтр Калмана
В качестве примера рассмотрим фильтрацию неизвестной постоянной величины. Пусть l представляет собой случайную, но постоянную величину; Нn = 1, nln = 0, bn-1 = 1. При этом уравнения (12.11) и (12.12) преобразуются к виду
Примем, что начальное значение l0 распределено по гауссовскому закону с дисперсией Rv0, а дисперсия шума nn постоянна и равна D. С учетом принятых допущений результирующие уравнения для оценки (12.14) и дисперсии Rn (12.15) приобретают следующий вид:
|
|
Уравнение (12.18) можно моделировать фильтром, схема которого изображена на рис.12.5. Он состоит из усилителя с коэффициентом усиления Rn /D и рециркулятора (на рисунке он обведен штриховой линией), являющегося дискретным аналогом интегратора.
Дискретный фильтр Калмана для постоянной величины
Из уравнения (12.19) для апостериорной дисперсии следует, что . Поэтому . Продолжая расписывать далее, окончательно получим
. (12.20)
Отсюда следует, что Rn < D/n , то есть, с увеличением числа наблюдений n апостериорная дисперсия убывает, стремясь в пределе к нулю.
Дата добавления: 2018-08-06; просмотров: 308; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!