线性分式扰动下奇异系统递推Kalman滤波.pdfVIP

线性分式扰动下奇异系统递推Kalman 滤波 张光磊，周 彤 清华大学自动化系，北京(100084) E-mail: zgl03@, tzhou@ 摘 要： 本文在已有工作基础上研究了线性奇异系统参数存在线性分式扰动时的鲁棒状态 估计问题, 给出了一种 Kalman 形式的递推滤波算法, 并通过数值仿真验证了其有效性. 研 究表明, 线性分式不确定性可以表示为若干个加性不确定性的交集. 本文的主要工作就是寻 找保守性最弱的加性不确定性来包含该交集, 而且该问题在递推滤波过程中被证明是凸优 化问题. 当线性分式不确定性退化为有结构约束加性不确定时, 该算法性能优于现有算法. 关键词：Kalman 滤波, 奇异系统, 线性分式不确定性, 鲁棒性 中图分类号：TP13 1. 引 言 众所周知，真实系统与数学模型之间总会存在各种各样的误差，比如建模时对参数估计 的偏差，本质非线性系统在工作点处的线性化带来的误差等。由于这些误差不可避免，实际 中往往采用名义模型加上误差模型的描述方式。为了简单起见，一般选择的名义模型为低阶 的线性模型。误差模型大多选择范数有界的参数不确定性模型，常见的有加法不确定、乘法 不确定性、线性分式不确定性等。其中加法不确定性和乘法不确定性形式简单，但描述能力 有限。它们都属于线性分式不确定性的特例，也就是说线性分式表示的不确定性更具广泛性。 相对一般的状态空间模型，奇异（也称广义）系统模型具有更普遍的研究意义和应用 范围。近年来，奇异系统的控制和滤波理论受到学术界广泛的重视，已经成功地应用于经 济学[1]、电路学[2]、机器人学[3]以及航天学[4]等领域。本文主要研究的是存在线性分式不 确定性的奇异系统鲁棒滤波问题。据作者所知，该问题至今为止尚未解决。 当系统模型参数存在不确定性时，Kalman滤波不能保持其最优性，其滤波效果往往会 劣化很多，甚至导致滤波发散。而鲁棒滤波可以很好地解决参数存在不确定性时的滤波问 题。根据不同的不确定性描述和不同的性能指标，人们提出了各种各样的鲁棒滤波算法。 其中常见的有H 2 / H ∞ 滤波[5]、Guaranteed-cost[6]和 Set-valued[7]方法等。由于Kalman滤 波递推公式可以等价为某个对应的规范最小二乘（Regularized Least Square ，以下简称RLS ） 问题的解，文[8]给出了无结构加性不确定性参数扰动下RLS 问题的解析解，并由此给出了 一种Kalman滤波形式的递推鲁棒滤波算法。与上述几种方法相比，该算法的优势在于无需 在线检验任何条件就可以保证滤波的收敛性。数值仿真还表明，该算法比上面几种算法具 有更好的滤波效果。文[9]在文[8]的工作基础上将系统模型从一般状态空间模型推广到奇异 系统模型，并在滤波递推过程中使用另一种指标函数，从而对应于不同的RLS 问题，也得到 了一种Kalman滤波形式的递推算法（称为DR滤波算法）。而本文的主要工作是将上面两篇 文章所涉及到的无结构约束加性不确定性参数扰动下的RLS 问题推广到具有结构约束的线 性分式不确定性参数扰动下的RLS 问题。为了利用文[8]中给出的参数扰动下RLS 问题的解析 解，我们将线性分式不确定性扰动近似为一个不依赖真实状态的加性不确定性扰动。从几 此项工作得到国家自然科学基金和教育部博士点基金资助, 项目批准号分别为:和20050003096. - 1 - 何角度来看，加性不确定性集合可以看成是向量空间中的椭球，这对大多数真实的不确定 性集合而言往往过于保守；而线性分式表示的不确定性集合可以看成是一系列椭球的交集， 所以说线性分式扰动更具一般性。本文的主要贡献在于用一个体积最小的椭球来近似