Рекуррентный алгоритм оценивания вектора состояния

Рекуррентный алгоритм оценивания вектора состояния [c.285]

При выводе условий идентифицируемости в гл. 24 были рассмотрены регуляторы с управлением по входу/выходу. Эти результаты применимы при рассмотрении регуляторов, использующих для управления переменные состояния, с наблюдателями или оцениванием вектора состояния, если алгоритмы управления могут быть представлены в виде связи входных и выходных сигналов (см. разд. 8.7). В соответствии с (8.7-19) характеристическое уравнение имеет порядок / 2т. Поэтому второе условие идентифицируемости выполняется при отсутствии в уравнении 0(2 )=0 общих корней со знаменателем модели объекта. Регулятор с управлением по состоянию может быть рассчитан с помощью методов, обеспечивающих желаемое расположение полюсов или на основе рекуррентного решения матричного уравнения Риккати, достигаемого за несколько итераций (см. разд. 8.1). [c.399]

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]

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 ...