ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 27.06.2024
Просмотров: 150
Скачиваний: 0
5.2] |
СТОХАСТИЧЕСКАЯ АППРОКСИМАЦИЯ |
143 |
4)решить относительно X1' уравнение
а/Д |
__ аб{(х*, и{) |
PfT (х1, и1, g*) ki = 0 |
|
дх1 |
~~ |
дх1 |
|
5)определить градиент
ЭЯ1 |
_ |
Э9 (х*, u{) |
afT (х*, u*, |
au* |
— |
au* |
an1 |
6) используя алгоритм стохастической аппроксимации построить новое приближение
, |
ая 1 |
{ т г atf |
iT |
Я» |
|
ь — |
|||||
Uг+1 и* — К 1— г — их — Кх — : |
|||||
|
Эи1 |
9u1 |
h au< |
Пример 5.2.1. Рассмотрим задачу отыскания линей ного фильтра, минимизирующего
/ = £{1|x(f)-x(*)||l|Z(*)},
для стационарной линейной системы с некоррелирован ными входными шумами и ошибками измерений
х = Fx(f) + w(f), $ W O } = 0, cov {w (t), w (t)} =
= ^ W6D (t — T);
s = Hx (f) + v (0, ^ {v (i)} = 0, cov{v(0 , v (t)} =
= 4>vaD( f - 1 ) .
Хорошо известно, что решение этой задачи определяется следующей системой уравнений (Сейдж [116], Хо и Брай сон [50]; Сейдж и Мелса [127]):
х = |
Fx (t) + |
Ж (f) [г (t) - |
H i (01, i (t0) = |
(fo)b- |
|
|
|
ar(t) = v 7 (0 H Tv ; 1, |
|
|
|
V~ = |
FV~ (t) + |
V~ (t) FT - |
V~ (t) НТ^ Н V - (t) + |
(0, |
|
|
|
Ух (to) = |
var{x (*,,)}. |
|
|
Предположим, что выход фильтра наблюдается достаточ но долго для того, чтобы закончились переходные про цессы. Допустим также, что мощности шумов являются
144 |
СТОХАСТИЧЕСКАЯ АППРОКСИМАЦИЯ |
[Г Л 5 |
случайными по ансамблю и известны только их средние значения
ff{«Pv} = 4 " v.
Очевидны три метода конструирования фильтров: 1. Можно построить субоптимальный фильтр
X i = F x j + Жу [г (<) — Н х (*)],
жу=
О = F 3 y + E y F r - Е у К ' ^ И З у + ¥ w ,
являющийся стационарным фильтром Калмана, на кото рый поступает помеха со средней для ансамбля интенсив ностью.
2. Можно построить субоптимальный адаптивный фильтр
х2 = Fx2 (t) -ф Ж<у (t) \ъ(t) — Нх (01,
X*(t) = S a H ^ ;1^),
Si = F 32 (t) + S2 (t) FT - S2 (t) Ht*F;xH32 (t) + *FW(0.
В этом случае для оценки параметров помех использу ются подходящие адаптивные алгоритмы оценивания (Сейдж и Хуса, [123]). Для многих задач это решение прак тически неприемлемо, так как приводит к слишком слож ным вычислительным процедурам.
3. Вместо фильтра пункта 1 можно использовать фильтр той же сложности реализации
х = Fx (t) + Жа [z (t) — Нх (£)],
где Х 3 — константа, которая выбирается так, чтобы мини мизировать ошибку оценивания с учетом случайно сти (по ансамблю) параметров 4*w и V y Легко показать (Сейдж [116]; Сейдж и Мелса [127]), что величина диспер сии ошибки Е = var {х (t) — xs0 (t)} на выходе субопти мального фильтра
xso = Fxso -f X so(t) [z (t) — H (t)x60 (f)l
5.2] |
СТОХАСТИЧЕСКАЯ |
АППРОКСИМАЦИЯ |
145 |
|Пределяется уравнением |
|
|
|
Ё = |
D (О Е (0 + Е (t) DT (t) + |
X so (t) *FV (t) W l (t) + |
(0, |
|
Е (t0) = var {х (t0)}, |
|
где D (if) = F — X S0El. Это справедливо для фильтров пунктов 1 и 3. Особенно интересно определить величину дисперсии ошибки в стационарном режиме для постоян ного Ж so. Для этого нужно найти положительно опреде ленное решение уравнения
0 = DE + EDT -f X t0'iryx Z + 'Fw,
где D — F — Ж,011. Используем функцию штрафа вида
/= rS {Sp E)
вкоторую подставляются неотрицательно определенные решения Е. Для фильтра из пункта 1 усиление X s0 опре
деляется средними значениями 4*w и Фу. Для фильтра пункта 3 мы хотим определить X s0, доставляющее ми нимум J. В силу случайности 4*w и Фу будем пользовать ся методом стохастической аппроксимации. Мы хотим минимизировать выбором Жf0 функцию штрафа
|
J = g{S pE } |
|
|
при учете ограничения |
|
|
|
0 = (F — ЖаоВ) Е l Е (FT- ИТХ 1) + |
Ж ^ ж 1 + |
»FW, |
|
где ф №и |
— случайные величины с известными плот |
||
ностями вероятности. |
|
|
|
Определим гамильтониан, являющийся случайной ве |
|||
личиной: |
|
|
|
Н = Sp Е + |
Sp [Л [(F _ Ж80В) Е -[- Е (FT - |
В тж1) + |
|
|
I- X sovFvxJ0+ |
4TW]}, |
здесь Л — симметрическая матрица множителей Лагран жа. Оптимальная величина Жso определяется решением следующей системы уравнений:
146 |
СТОХАСТИЧЕСКАЯ АППРОКСИМАЦИЯ |
[ГЛ. 5 |
||
Из этих уравнений находим |
|
|
||
О = |
(F - ЖаоН) Е + |
Е (FT- |
HT^ ST0).+ |
+ Ww, |
|
Е {I + A (F - |
^ S0H) + |
(FT - HT.%f0) A} = |
О, |
|
g{A E H T + A.%-so4\} = 0. . |
|
В этом частном случае математические ожидания легко вычисляются, в результате имеем
«■,0 = - g { E } H T4f;1,
где ё {Е } определяется уравнением ограничения. Под ставляя выражение для Ж80 в уравнение ограничений, на ходим простую форму записи ограничения на выбор оп тимальной ошибки Е:
О = ¥ ё {Е} -| - Щ{Е} FT - Щ{Е} HT^ ; 1Hg {Е} + ¥ w.
Мы приходим к не такому уж удивительному выводу о том, что «наилучшее» усиление калмановского фильтра определяется подачей на фильтр Калмана средних зна
чений 4*w и фу.
Интересно проверить этот результат на простом при мере. Рассмотрим следующую систему уравнений вход
ного сигнала и наблюдений: |
|
|
х = w (О, |
= |
1, |
z — х (f) + |
v (1); |
= 1 = 4V |
Величина 'Fw равномерно распределена на отрезке [1 — а,
1 + |
а]''так, что var (Тц,) = |
а2/3. |
|
|
Фактическая дисперсия ошибки определится как |
||
|
Е |
УСJ , / 2SO |
Г V |
|
2.Г |
||
|
|
||
Видно, что Е также имеет |
равномерное распределение |
||
со |
средним значением |
|
|
УС,
g(E) = - f -
wr„
и максимальным отклонением ± olI2Kso. В этом частном случае мы видим, что «наилучшее», т. е. минимизирующее
5.2] |
СТОХАСТИЧЕСКАЯ АППРОКСИМАЦИЯ |
14? |
& {Е }: |
значение 3CS0 есть Жа0 = 1, которое |
получается |
как коэффициент усиления фильтра Калмана с характе
ристиками помехи |
= |
Ч/'в = 1. Здесь «наилучший» |
от |
||
носится к минимизации средней дисперсии ошибки. |
|
||||
Так |
как '¥1В может |
в действительности |
принимать |
||
любые |
значения |
на отрезке 1 — а |
1 + а, |
то |
Рис. 5.2.1. Дисперсия ошибки Е как функция и; пример 5.2.1.
очевидно, что максимальное и минимальное значения дис
персии |
ошибки при использовании 3CS0 = |
1 составляют |
|||
Яшах = |
[1 + |
(1 + а)]/2 И Ет in = [1 4- (1 — а)]/2, где, |
ко |
||
нечно, |
а < 1 , |
поскольку |
Д> 0. Другая |
стратегия |
со |
стоит в минимизации максимальной ошибки. В этом слу
чае |
максимальная ошибка |
связана |
со значением |
= |
|||||
= 1 |
+ |
а, |
а наилучшим выбором для коэффициента усиле |
||||||
ния |
становится |
Жю = |
У |
= (1 -)- а )1'2, для |
которого |
||||
минимальная величина |
максимальной ошибки составляет |
||||||||
^min-max |
= (1 + |
а)‘ 2. |
Фактически |
величина |
ошибки |
||||
Е = |
[(1 |
+ |
а) + T U)]/[2 (1 + |
сс)]1'2 и изменяется от 1/(1 Д- а)1'2 |
|||||
до (1 + |
а )'2. Средняя |
ошибка при использовании мини |
|||||||
максного критерия составляет (2 + |
а)/[2 (1 + а)]'Ч |
|
|||||||
На рис. 5.2.1 |
показано, |
как влияет выбор различных |
|||||||
критериев |
оптимизации на |
величину средней дисперсии |
148 |
СТОХАСТИЧЕСКАЯ АППРОКСИМАЦИЯ |
[ГЛ.5 |
ошибки. Минимаксный критерий приводит к несколько меньшим значениям максимальной дисперсии ошибки. Таким образом, мы могли бы прийти к выводу о том, что оба критерия приводят к довольно близким результатам. Такое имеет место довольно часто, хотя, разумеется, не всегда. Можно считать этот факт счастливой удачей, так как минимизация среднего значения функции штрафа, хотя и достаточно трудная задача, но все же проще мини мизации максимальной ошибки.
Пример 5.2.2. Вернемся к примеру 5.2.1, предпо ложив на этот раз, что неизвестны матрицы коэффици ентов F, G и И. Таким образом, система описывается уравнениями
х = |
Fx (t) -j- Gw (t), |
cov (w (t), w(t)} = |
lFw (t) bD(t — t), |
z (t) = |
Hx (t) + v (t), |
cov (v (t), v (t)} = |
*FV («) 6D (t — t), |
где интенсивности помех T w (t) и T v (т) предполагаются известными, а для F, G и Н известны только их средние
значения F, G и Н.
Один из возможных способов синтеза сводится к ис пользованию обычного фильтра Калмапа в предполо
жении, что F, G и Н есть истинные значения коэффи циентов. В стационарном случае это приводит к алго ритму
х = Fx ф- Жх [z (t) — Нх (£)],
жч = а 1н тт ’; 1,
О = FB i+ SiF1’ - S iffV ^ H S ! + G'FWGT.
Лучшей альтернативой является использование фильтра вида
х = Fx (t) + Ж$0[z (t) — Нх (*)],
где Х ю подбирается так, чтобы минимизировать мате матическое ожидание дисперсии ошибки
{var {х (0 — х (t)}}.
5.2] СТОХАСТИЧЕСКАЯ АППРОКСИМАЦИЯ 149
Вычитая из уравнения системы уравнение субоптималь
ного |
фильтра, получим |
х — (AF — X S0All) х (/) 4- (F — ЯГМН) х (t) f Gw (t) — |
|
|
- X soy(t), |
где |
отклонения |
|
AF = F - F, AH = H — H |
характеризуют ошибку моделирования. Удобно ввести вектор расширенного состояния и вектор входов
Х(*) = |
x(t) |
w (0 = w (0 |
|
|||
|
|
|
.*(*)_ |
’ |
V (0 J ’ |
|
для которых справедливо новое уравнение состояния |
||||||
где |
X = |
A (f)X (0 + |
B (0 W (0 , |
|
||
|
|
|
|
|
|
|
Гг - ж |
so |
н AF — Ж АН] |
"о - |
SO |
||
0 |
|
|
SO |
, В (t) = |
||
|
|
|
F |
0 |
||
|
|
|
.G |
Хорошо известно, что дифференциальное уравнение для дисперсии ошибки имеет следующий вид:
Vx = А (0 Ух (<) + Vx (t) Ат (0 -J- В (0 *FWBT(t).
Интересно найти решение этого уравнения в стационарном
режиме; для этого положим Vx = 0. Коэффициент усиле ния субоптимального фильтра будет выбран так, чтобы $ {S pV -} было минимальным. Так как случайные пара
метры F, G и Н на величину Vx не влияют, то минимиза
ция |
$ {Sp Vx } полностью |
эквивалентна минимизации |
|
» (Sp V -}. |
необходимо минимизировать |
||
Таким образом, |
|||
|
|
J = |
Ш{Sp Ух) |
при |
ограничении |
|
|
0 = |
А (р, Х , 0) Vx + |
VXAT (р, X so) + В (р, Х со) *F'WBT(p,^rf0). |