Оценивание параметров рекуррентное

Для идентификации в реальном времени созданы рекуррентные методы оценивания параметров стационарных и нестационарных линейных объектов, нелинейных объектов определенного класса, а также стационарных и некоторых нестационарных случайных сигналов. В этой главе представлен краткий обзор наиболее известных рекуррентных методов параметрической идентификации. Подробное обсуждение этих методов, в том числе их вывод и анализ условий сходимости, читатель сможет найти в работах [3.12]. [3.13], а также в литературе, отмеченной в ссылках. [c.352]

Как было показано в предыдущей главе, для рекуррентного оценивания параметров замкнутых контуров управления в наибольшей степени пригодны [c.401]

Начальная сходимость подстройки зависит от алгоритма оценивания параметров, алгоритма управления, начальных оценок для рекуррентной процедуры оценивания, а также характеристик внешних сигналов. В настоящее время единственным целесообразным способом исследования характеристик сходимости является моделирование (см. разд. 25.4). [c.408]

Однако оценки МНК сохраняют свои свойства в довольно широкой области, позволяют при векторном оценивании в классе линейных несмещенных оценок получать при раздельном оценивании параметров оценки с наименьшими дисперсиями, процедуры их получения хорошо отработаны, — все это и обеспечило их широкое распространение в практике. В частности, вычислительные схемы МНК позволяют организовывать рекуррентные процедуры (см. раздел 2.3). [c.46]

Среди методов статистической оценки параметров моделей теплотехнических систем нашли применение алгоритмы, основанные на уравнениях линейного оптимального фильтра Калмана, имеющих рекуррентный вид и позволяющих значительно снизить порядок матриц, используемых при вычислениях. В работах [7, 38, 51] уравнения фильтра Калмана применены к нелинейной задаче совместного оценивания параметров и состояния путем линеаризации исходных уравнений в окрестности предшествующей оценки. В работе [20] рассматривается задача оценки с линейными по параметрам исходными уравнениями, когда известны точные значения вектора состояний. В такой постановке задача оценивания становится линейной и допускает непосредственное решение с ло-мощью уравнений фильтра Калмана [50], превращающихся по существу в рекуррентный метод наименьших квадратов. [c.200]

В навигационных задачах вектор пространственного состояния объекта характеризуется, как правило, восемью параметрами (л = 8) тремя координатами, тремя составляющими вектора скорости, разностью фаз и частот генератора. В результате решения навигационной задачи для текущего момента времени t определяют оценку вектора состояния x(f), которая должна быть оптимальной (наилучшей из всех возможных). Алгоритм оценивания должен позволять находить оценку x(f), обеспечивающую минимум среднеквадратичного отклонения ошибки оценки (т. е. e(f) = x(f) - x(i)l). н корреляционную матрицу погрешностей оценки вектора состояния по мере поступления ин- рмации. Для линейных систем рекуррентный алгоритм получения оптимальной оценки вектора фазового состояния называют ЛИНЕЙНЫМ ФИЛЬТРОМ КАЛМАНА, Который записывают в матричном виде [28] [c.248]

Рекуррентный метод наименьших квадратов может быть использован и для оценивания параметров моделей случайных сигналов. Будем полагать, что случайный сигнал представлен стационарным авторегрессионным процессом со скользящим средним [c.360]

В следующем разделе рассмотрим алгоритмы управления, отвечающие перечисленным требованиям. В классе самооптимизирующихся адаптивных регуляторов с идентификацией объекта управления недуальные методы, основанные на принципе стохастической эквивалентности и рекуррентном оценивании параметров, зарекомендовали себя положительно как в теории, так и в практике. Полученные с их помощью алгоритмы будем называть алгоритмами управления с подстройкой параметров] также будет встречаться термин самонастраивающиеся регуляторы [26.8], [26.13]. Следует различать понятия самонастраивающийся и адаптивный , поскольку использование первого предполагает постоянство параметров объекта управления. Однако при анализе применения этих терминов выясняется, что разграничения между ними не делается, поэтому будем считать, что различия между ними второстепенны. [c.393]

Всестороннее моделирование и исследование с реальными объектами управления показали, что алгоритмы управления с подстройкой параметров устойчивы при выполнении перечисленных выше условий. Это может быть объяснено эвристически. Предположим, что модель объекта управления неверна, так что полюса замкнутого контура управления сдвинуты к границе устойчивости. При этом амплитуда входного сигнала объекта управления увеличивается. Если предположить, что изменения входного воздействия возбуждают все т собственных движений объекта управления (см. гл. 23.2) и имеют достаточную амплитуду по сравнению с действующим шумом, то идентифицируемая модель уточняется. Вслед за этим также уточняются параметры регулятора и улучшаются характеристики замкнутого контура в целом. Входной сигнал будет обладать требуемыми свойствами, если он содержит т гармоник или его автокорреляционные функции связаны соотношением 0ии(О)> ии(1)>- ->0ии(п1)- Даже если входной сигнал возбуждает все собственные движения объекта управления кратковременно, этого может быть достаточно для улучшения модели объекта управления. Изложенные результаты получены с помощью моделирования и эксперимента и не могут служить общим доказательством устойчивости. Поэтому получение новых условий глобальной устойчивости адаптивных систем управления с подстройкой параметров вносит свой вклад в решение общей проблемы. Обзор материалов по этой тематике дается в работе [25.12]. В следующем разделе приводятся некоторые общие условия для сочетаний РМНК, РОМНК, РММП с регуляторами РМД при случайных возмущениях. Эти условия базируются на анализе рекуррентных методов оценивания параметров. Дальнейшие ссылки делаются на работу [25.20]. [c.407]

Оценка параметров базисного сигнала рек-курентными алгоритмами. Более качественное выделение и оценивание параметров базисного сигнала может быть осуществлено различными алгоритмами МНК, например по (2.28),или алгоритмами, реализующими рекуррентный МНК. Если помеховая составляющая сигнала представляет собой белый шум, то может быть использован рекуррентный алгоритм классического МНК [20, 32, 33] [c.81]

В двух других обсуждаемых схемах интеграции, нашедших более широкое распространение, между ИНС и Г ЛОНАСС/GPS-приемником через их процессоры устанавливаются обратные связи. Здесь, как и в предыдущей схеме (рис. 4.10), БИНС и Г ЛОНАСС / GPS-приемник формируют независимые решения навигационной задачи. В дополнительно введенном связующем блоке рекуррентный байесовский алгоритм оценивания (например фильтр Калмана) на основе измерений Г ЛОНАСС / GPS-приемника формирует оценку вектора состояния и разность навигационных параметров, получаемых от ИНС и ГЛО-НАСС/GPS-приемника, которое используются для оценивания ошибок ИНС с целью последующей их компенсации. Это позволяет коррек- [c.119]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...