книги / Радиолокационные измерители дальности и скорости. [Т.1]
.pdfБудем полагать, что основной блок фильтрации, формирую щий оценку информативного процесса х, описывается уравнения ми дискретного фильтра Калмана
x(k) = х0(к)+ К(к,P)(z(k) - fi(k, Р)хз(к)), |
(1.7.27) |
х9(к) = Ф(к,к -1,р)х(к-1),
в котором выделены параметры Р, подлежащие оцениванию, а Ф(к, к - 1, р) - заданная матрица экстраполяции.
Уравнения, описывающие формирование оценок регулируе мых параметров, имеют вид
В уравнения (1.7.28) входят производные d x 8 / dp, уравнения для
которых получаются дифференцированием (1.7.27) по Р
- |
- * И |
(1.7.29)
Сформированная по (1.7.28) оценка регулируемых параметров вводится в основной блок фильтрации (1.7.27) вместо р.
Также как и в задаче с непрерывным временем, в качестве ос новного блока фильтрации в дискретном времени можно использо вать не только оптимальный по структуре фильтр Калмана, но и любой другой следящий фильтр, обеспечивающий конечную ошибку фильтрации заданного процесса х(к).
1 .8. ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ СИСТЕМ И ПРОЦЕССОВ
Научное направление, именуемое теорией идентификации, все чаще применяется при синтезе радиоэлектронных систем раз личного назначения. В настоящее время известен очень большой набор различных методов идентификации [13, 30, 62]. Рассмотрим некоторые её алгоритмы, используемые для оценки параметров моделей состояния и процессов измерений в пространстве состоя ний.
1.8.1. А л го ри тм и д е н ти ф и к а ц и и м о д ел и с о с то я н и я п о М е й н у
Процедура идентификации параметров модели состояния, предложенная Мейном [13], представляет алгоритм фильтра Калмана, в котором оценивается не вектор состояния, а вектор пара метров модели. При этом требуется, чтобы вектор управления был известным, а вектор состояния был доступен измерению, либо имелись его оптимальные оценки, формируемые специальным фильтром.
Метод Мейна позволяет для процесса (системы)
хр(к) = Фр(к, к - 1)хр(к -1) + 4р(к -1) |
(1.8.1) |
оценить вектор
а(к) = [Фр1(к, к -1), Фр2(к, к - 1 ) , , Фрп(к, к - 1)]т (1.8.2)
параметров модели (1 .8 .1 ) при условии, что имеется измерение
z(k) = xp(k). |
(1.8.3) |
Здесь: хр=[хтит]т - |
расширенный вектор состояния размерно |
стью N+r, компоненты которого х и и определяются (1.4.17);
Фр(к,к-1 )=[Ф(к,к-1)В(к-1)] - |
расширенная переходная матрица |
|||
процесса (1.4.17); |
Фр^(к,к-1 ) - |
i-я строка |
матрицы Фр; |
|
£p(k - l) = [£ £ (к -1 ) |
0 J]T - |
вектор |
дискретного |
центрированного |
белого шума с матрицей дисперсий Dx = M{£p(k - l)£p(k -1)}; 07 -
r-мерный нулевой вектор. Используя (1.8.1) и (1.8.2) в (1.8.3), по лучаем
(1.8.4)
где
62
*р(к -1) |
О |
о |
О |
о |
*р(к- 1) |
о |
О |
О |
О |
х £ (к -1 ) |
о |
Мр(к)= |
|
|
(1.8.5) |
|
|
|
О |
О |
О |
Хр(к-1) |
- матрица размером (N+r)x(N+r)2.
Как правило коэффициенты Фрц модели (1 .8 .1 ) представляют собой функции, которые изменяются во времени существенно мед леннее, чем фазовые координаты xpi. Поэтому за время формиро вания наблюдения (1.8.3) их можно считать постоянными. Кроме того, для широкого класса моделей, используемых при синтезе ДС, параметры а, (1.8.2) являются константами. Поэтому вполне правомочно равенство
a(k) = а(к -1 ). |
(1.8.6) |
Использование представлений (1.8.4) и (1.8.6) в качестве мо делей наблюдения и состояния позволяет применять для опти мального по минимуму СКО оценивания алгоритм калмановской фильтрации. Используя (1.8.4) и (1 .8 .6) в (1.4.19Н1.4.23), будем иметь:
а(к)= а(к-1) + Кфа(к)[хр(к)-М р(к)а(к-1)], а(0) = а0; |
(1.8.7) |
=Da(k- 1)Мр(к)[мр(k)Da(к- l)M^(k) + Dx(k- l)]_\ |
(1.8.8) |
Da(k)= Da(k-1) - Da(k- l)lvrp(k)[Mp(k)Da(k- l)MTp(k)+Dx]_1 x |
|
x Mp(k)Da(k -1), Da(0) = Da0, |
(1.8.9) |
где a0 и Dao - начальные условия. При получении (1.8.9) было уч тено, что для (1 .8 .6) апостериорная ковариационная матрица рав на априорной и в этой модели отсутствуют возмущения. Ероме то го, было принято во внимание то, что матрица Dx, которая харак теризует шумы возмущений модели (1 .8 .1 ), здесь играет роль мат рицы шумов измерений и не всегда обращаема.
Поскольку алгоритм (1.8.7Н1.8.9) представляет разновид ность общего алгоритма оптимальной линейной фильтрации, то
для него справедливы все выводы, сделанные в §1.4. В качестве особенностей можно отметить следующие обстоятельства.
В процессе идентификации необходимо постоянно вычислять (1.8.8) и (1.8.9), поскольку матрица Мр (1.8.5) является функцией времени.
Если фазовые координаты х не поддаются непосредственному измерению и вместо них используются оптимальные оценки i, формируемые специальным фильтром, то в (1.8.5) и (1.8.7)—(1.8.9) вместо х необходимо использовать х, а вместо Dx - ковариацион ную матрицу D(k), вычисляемую при решении уравнений (1.4.22) и (1.4.23).
Если оптимальные оценки х отсутствуют, но имеются наблю дения
2(k) = Hp(k)ip(k)+ 5M(k) |
(1.8.10) |
хотя бы части фазовых координат процесса (1 .8 .1 ), то для оценки параметров (1 .8 .1 ) также можно использовать общий алгоритм фильтрации (1.4.19)-(1.4.23), преобразовав (1.8.10) к виду, ото бражающему его зависимость от параметров (1.8.2). Для этого подставим (1.8.1) в (1.8.10). Тогда получим
z(k) = Нр(к)[фр(к, к - 1)жр(к -1) + $р(к -1)] + ^„(к) =
= Мр1(к)а(к)+ 5 „, (к), |
(1.8.11) |
где |
|
Mpi = Нр(к)Мр(к); |
(1.8.12) |
Мр(к) определяется (1.8.5); ^кв(к)=Нр(к)£р(к-1 )+£р|1(к) - эквивалентный шум измерений с матрицей дисперсий
D,KBG0 = Hp(k)Dx(k)Hp(k) + Djj(k).
Необходимо отметить, что использование моделей (1 .8 .6) и (1 .8 .1 1 ) в алгоритме фильтрации (1.4.19)-(1.4.23) несколько сни жает точность идентификации по сравнению с алгоритмом (1.8.7)- (1.8.9). Поэтому такие алгоритмы целесообразно использовать не столько для оценки параметров процессов и систем, сколько для констатации факта изменения этих параметров, например при идентификации результатов измерений в режиме автоматического сопровождения нескольких целей [40] или при идентификации их маневров [41].
При сопровождении многих целей, например в режиме обзора, возможны ситуации, когда все или отдельные измерения не клас сифицированы по их принадлежности той или иной цели. При этом возникает задача фильтрации нескольких информационных процессов с одновременной идентификацией измерений, т.е. ре шения задачи о принадлежности каждого измерения той или иной цели. Решение такой задачи возможно с позиций теории адаптив ной фильтрации, рассмотренной в §1.7.
Положим для простоты рассуждений и обозначений, что изме ряется одна координата X (например дальность) для каждого из ш объектов, т.е. имеем Х^; i = 1, тп. Каждая из координат А* отобра жается в пространстве состояний вектором xi? т.е. А.*=СТХ£, где Ст=[1 0 ... 0]. Изменение вектора х* во времени задаётся уравнени ем
xi(k)=Oi(k,k-l)xi(k-l)+Gi(k-l)Uk-l); (1.8.13)
где к - временной индекс; £xi(k-l) - векторный дискретный белый шум с нулевым математическим ожиданием и матрицей диспер сий D ^k-l); Ф4(к,к-1), G^k-l) - матрицы соответствующих раз мерностей.
Пусть также имеем N датчиков измерений координат объек тов. Для определённости будем полагать N<m. Каждый датчик из меряет координату одного из объектов, но неизвестно какого. Для учёта априорной неопределённости измерений по их принад лежности одному из объектов примем следующую модель таких
измерений. |
Введём |
вектор |
X=[Xi |
Х2 |
А,т ]т, строку |
|
Oj=[oijfl <Xjt2 |
aj,nJT - |
случайный |
векторный |
параметр, который |
||
принимает |
m |
возможных |
значений |
a- = [1 0 0 ... 0], |
||
а? = [0 1 0 ... |
0], |
|
, а ]11 = [0 0 0 |
... 1 ], |
и представим j-e измере |
|
ние в виде |
|
|
|
|
|
|
zj(k)=aj(A.(k)+4Hj(k)); |
j=VN, |
(1.8.14) |
где Ук)=Ки1(к) 4иг(к) 4ик(к)]т - вектор независимых дискретных белых гауссовских шумов с нулевыми математическими ожиданиями и диагональной матрицей дисперсий DH(k)={DHj(k)}. Зависимость вектора £щ(к) шумов от индекса j позволяет учесть разный уровень шумов в различных датчиках при измерении ко ординаты одного и того же объекта.
нок матрицы а, что может быть сделано, если определить апосте
риорные вероятности P(aj|z£) (j = 1,N).
Для нахождения оптимальных оценок координат представим
плотность W(A,(k)|zi) в виде
Wa(k)|zJ)=XW(X(k),a9|z1k),
8=1
где M=mN - число возможных состояний матричной случайной величины а.
Используя общее выражение (1.7.9) для оптимальной оценки информативного процесса А., получаем
Ш = Sl(a8 kjp(a8|zt), |
(1.8.17) |
|
где а(<х8, k) = I |
aB)d>v(k) - |
условная оценка вектора |
координат при заданном значении as.
Таким образом, оптимальная оценка условного среднего фор мируется как взвешенная сумма частных условных оценок при за данных значениях а8. Весовые коэффициенты при этом определя ются апостериорными вероятностями P(a8|zi).
Рассмотрим оценки A^as,k j. Прежде всего, так как компонен
ты вектора Цк) соответствуют координатам различных объектов,
то оценки этих составляющих £^ав,к| независимы и формируют
ся автономными фильтрами. Во-вторых, значение матричного па раметра а8 определяет вполне конкретную структуру измерений (1.8.16), в которой информация о координате А*(к) содержится в одном, двух, трёх и т.д. (вплоть до N) измерениях. А это значит, что для каждого значения а8 фильтр, формирующий оценку
А^а8,^ , будет обрабатывать различное число Zj(k) наблюдений (и
с различными номерами j). Такая совместная (комплексная) обра ботка всех измерений, содержащих информацию о конкретном объекте, приводит к существенному повышению точности фильт рации координат объектов.
Для формализации отмеченного факта введём z. (к) - вектор
тех измерений из (1.8.16), которые при значении as обобщённого параметра содержат информацию о координате А^, т.е. измеряют
где ZjJ = {Zjtl,Zj)2,...,Z jjk} - реализация j-го измерения. При этом эволюцию апостериорных вероятностей
(j = 1,N) можно рассматривать независимо. Поэтому рассмотрим
Из данного соотношения следует
p(<xf|z^)=cP^aflzjf^wjzjOtJlZjf'.af), |
(1.8.20) |
где с = l j ZPjaJI*;-1)w jZj(k)|Zj;- \a®j - нормировочная константа.
Плотность вероятности w|zj(k)|z^~l,a®j - гауссовская, что сле
дует из (1.8.14). Среднее значение для данной плотности опреде ляется как
*i(aJ’k) =fzi(ai»k)W(z |
1»a‘)d*ik =af^(af,k), (1.8.21) |
где Л,э1а®, kj - условная (при |
заданном а®) экстраполированная |
оценка вектора координат объектов, которая определяется из (1.8.18). Заметим, гипотеза заданного а- предполагает обработку
только j-ro измерения и не может включать обработку других из мерений.
Матрица |
дисперсий плотности вероятности |
WiZj(k)|z^’ 1 ,a j) |
определяется общим выражением |
|
|
° 4 аИ |
= 1[zi(k)- ziH >k)f w(zjwhir1’ |
= |
=оф)эХ)(а?,к)+DHj(k)][aJ8]T> (1.8.22)
где матрица Ва^а?,к| - вычисляется по (1.8.18) для заданной ги
потезы a •. |
|
Определяя |
на каждом шаге параметры плотности |
w(zj(k)| z^”1, a®j |
в соответствии с (1.8.21Н1.8.22), можно рекур- |