Главная Нелинейные системы управления [0] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110] [111] [112] [113] [114] [115] [116] [117] [118] [119] [120] [121] [ 122 ] [123] [124] [125] [126] [127] [128] [129] [130] [131] [132] [133] [134] [135] [136] [137] [138] [139] [140] [141] [142] [143] [144] [145] [146] [147] [148] [149] [150] [151] [152] [153] [154] [155] [156] [157] [158] [159] [160] [161] [162] [163] [164] [165] [166] Это соотношение потребуется в дальнейшем при доказательстве принципа разделения. Из (10.215) путем дифференцирования получаем следующее уравнение для дисперсионной матрицы (дисперсионное уравнение): Q=GQ + QG + HSH. (10.217) Из (10.215) также имеем Q(g-Qo. (10.218) Теперь получим уравнение для дисперсионной матрицы ошибки. Вычитая (10.192) из (10.189), получаем уравнение для ошибки е = X - х: 4 = (A-K<C)e-i-Vo-КоУд. (10.219) Начальное значение е (Q имеет следующие характеристики: Ме(д=0; M{e(4)e4W = Po. Оно не коррелировано с шумами. Уравнение (10.219) получается из (10.212) при Z = е. G = А - КС. Н = Е, w = V„-KV„, h(0 = 0. Qo = Po. Получим выражение для интенсивности шума S (f): S (О 6 {t-п = м {[Vo (О - К« it) v„ (01М (П- ~<{nK°4t)] = lQo{t) + KO(t)RJt)K°4t)-~ - К» (О (О- So (О к» (016 а -п, откуда S (О - Qo (О -К» (О So (О - So (О К" it) + Qo (О + + K»(0Ro(0K40- Дисперсионное уравнение (10.217) в этом случае принимает вид Q = (А- К" С) Q-Ь Q (А - К" С) + Qo-К» S--So К" + К" Ro K Q {U) -Ро. Если предположить, что дисперсионная матрица оценки Q =Р, и подставить выражение для К" из (10.193), то последнее уравнение преобразуется к виду (10.194). Следовательно, действительно матрица Р, определяемая из матричного уравнения Риккати в наблюдателе Калмана-Бьюси, является дисперсионной матрицей ошибки. Наблюдатель Калмана-Бьюси при цветном шуме объекта. Рассмотрим задачу линейного оптимального оценивания при условии, что шум объекта является небелым, т. е., как принято еще говорить, является цветным. Пусть объект и наблюдение (измерение) описываются уравнениями = Al х" + BiU + х»; х" (to) х1>; y = C,x<»-f V„(0. где У„ - белый шум наблюдения с характеристиками MV,=0; M{y(t)Vl(t)) =Ro(t)6(t-fy, Ro>0; Хо** - случайный вектор с характеристиками Мх"= X*"; M{tx/.-ClIx -Af}=Pio; х(2) - шум объекта. Предполагается, что шум объекта является цветным и удовлетворяет уравнению kAx-f-V. x(fo) = x«>. где V„ - белый шум с характеристиками = 0; М {V„ (О \1 (Г)} = Qo (t) б (/-t); - случайный вектор с характеристиками Мх =х<, M{[xJ»>- х»>] [хГ- х<"]}= Ро.. Последнее уравнение называется уравнением формирователя (формирующего фильтра) или просто формирователем (формирующим фильтром). Формирователь формирует из белого шума с известными характеристиками заданный цветной шум. Введя обозначения
C=(Ci 0); G =
/Рю о \ 1.0 РгоУ .. приведенные уравнения можно представить в виде x=Ax + Bu+GV„, y = Cx + V„. Здесь, как всюду в этой главе, все нулевые и единичные матрицы независимо от их размера обозначаются О и Е. В преобразованных уравнениях шумы объекта и наблюдения являются белыми. Шумом объекта является GV с интенсивностью GQoG, поэтому наблюдатель Калмана-Бьюси при цветном шуме объекта описывается теми же уравнениями (10.192)-(10.195), но при условии, что в дисперсионное уравнение вместо Qo подставляется GQoG. При некоррелирован-йых шумах Vo и У„ имеем: "A-f Bu-f К«(у-Сх); (g = Xo; Ko-PCReM . Р = АР + РАГ-PCR-CP + GQoG; P(fo)=Po. Представив дисперсионную матрицу в виде блоков Pi Pl2 VPzi Рг / И принимая во внимание введенные обозначения, матрицу К" и уравнение для оценки можно представить следующим образом: /Pi Pi • Pzi Рг К0 = ](C,0)R- PiCR- Pai Cj Ro * , 1 > = Al Х<» > + 9 -f Bi u + Ki (у - Cj "x >); x(<o)=x<»;. х» - Аг Х» + Кг (y-Ci x>), х (<о) = х. Из уравнения для Р нетрудно получить уравнения для Pj, Pi2 и Pj. Наблюдатель Калмана--Бьюси при цветном шуме объекта помимо модели исходной системы включает еще модель формирователя (рис. 10.8). Пример 10.25. Пусть заданы уравнение и начальные условия где Х2 - стационарный случайный процесс с характеристиками 1> е-ч; [0] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110] [111] [112] [113] [114] [115] [116] [117] [118] [119] [120] [121] [ 122 ] [123] [124] [125] [126] [127] [128] [129] [130] [131] [132] [133] [134] [135] [136] [137] [138] [139] [140] [141] [142] [143] [144] [145] [146] [147] [148] [149] [150] [151] [152] [153] [154] [155] [156] [157] [158] [159] [160] [161] [162] [163] [164] [165] [166] 0.0013 |