最优估计之随机动态系统模型说课.ppt

哈尔滨工程大学 第5章 随机动态系统模型 几点说明： 系统模型是研究各种估计方法的基础； 我们的研究对象是随机系统模型，由确定性方程附加随机成份构成； 模型描述了待估计状态的动态特性（运动学或动力学特性）以及外部观测的规律； 系统的动态方程是系统物理过程的数学描述，方程是系统物理过程的隐式表示，而方程的解可看作是显式表示； 系统模型可分为连续系统模型和离散系统模型； 系统模型可分为线性系统模型和非线性系统模型。 5.1 确定性动态系统模型 上述三种模型之间可以转化： 例5.1 例5.2 实际应用中，基本都采用计算机处理数据，直接选用离散模型，会给工作带来很大便捷； 动态方程是系统物理过程的隐式表示，而方程的解是显式表示，二者在本质上是一致的，故将方程的解称为系统的状态； 离散系统方程，实际上是系统的状态值在任意两个相邻离散时刻的递推关系。因此，可由连续系统方程的解获得离散系统方程。 5.2 随机动态系统模型 几点说明： 假设噪声为白噪声，即噪声过程是时间不相关的，因此噪声过程的方差阵为对角阵。 假设噪声为高斯的，则噪声过程可以仅由其均值和协方差描述，且对于线性系统，其输出也是高斯过程。否则，可以将噪声通过成形滤波器来产生这样的随机过程。 系统噪声、测量噪声与系统初始状态是不相关，这是因为系统干扰一般是在建模过程中产生的误差，不应该与系统的初始状态有关；而测量设备属于外围设备，其测量误差也不应该与初始状态有关。 5.3 模型的转化 在线离散化。在滤波算法的递推执行过程中，利用求解常微分方程的数值算法，如龙格库塔（Runge-Kutta）法，通过实时计算连续系统在每个离散时刻的状态值而实现。 5.2节中，由随机微分方程导出随机差分方程的过程就是对系统方程的离散化，而测量方程是简单的代数方程，因此它的离散形式与连续形式相同 ，因此可直接得对应上述系统的离散模型形式为： 非线性系统模型： 5.4 建立随机动态系统模型时需注意的问题 模型中的两类量：状态向量、观测向量。 系统具有完全可控性的条件： * 最优估计 确定性动态系统模型 随机动态系统模型 模型的转化 建立模型需注意的问题 5.1.1 连续系统模型 微分方程模型： 状态空间模型： 传递函数模型： 1. 连续线性时不变系统模型 其中： 3. 连续非线性时变系统模型 式中，f [*,*,*] 和 h[*,*,*] 是关于状态和输入的非线性函数。 2. 连续线性时变系统模型 时变系统模型：模型中的系数可以随时间改变。 卫星的轨迹可以用r,θ两个极坐标变量来描述，其中r是卫星到地心的距离，θ是卫星和地心的联线相对于参考坐标轴的角度。假定卫星具有径向ur(t)和切向ul(t)的推力控制和，试建立卫星轨迹控制的系统模型。 5.1.2 离散系统模型 状 态 方 程 观测 方 程 目的：连续模型 离散模型 方法：一阶常微分方程求解。 差分方程 实际的物理系统中，除了控制作用 u(t) 外，还存在一些随机干扰作用及系统噪声 w(t) 。在测量方程中，存在随机干扰，或测量噪声 v(t) 。 在确定性系统模型中加入系统噪声和测量噪声，即得随机动态系统模型。 在不考虑控制作用的情况下，线性随机动态系统模型为： 随机微分方程 5.2.1 线性随机微分方程 理论解 5.2.2 线性随机差分方程 5.2.3 随机动态系统模型的一般形式 1. 一般系统模型 ----------- (5.2.13a) ----------- (5.2.13b) 完整地描述一个动态系统，需要系统方程和测量方程两个方程。现将测量方程加入，给出随机动态系统模型的一般形式。 2. 线性系统模型 3. 关于噪声的假设 5.3.1 连续系统模型转化为离散系统模型 离线离散化。离线状态下，通过求解常微分方程来计算随机动态系统的状态转移矩阵，从而得到各离散时刻的系统状态值。 模型离散化的两种方式： 优点：不必手动计算状态转移矩阵，便于计算机实现； 缺点：属于数值算法，所以是一种近似求解方法。 优点：属于解析的方法，相对第一种方法更精确； 缺点：如果模型复杂，计算过程繁琐，容易出错。 自由状态连续系统模型的转化： 5.3.2 离散系统模型转化为连续系统模型 两系统模型的系数矩阵与转移矩阵之间的关系： 两系统模型之间的噪声均值、相关函数的关系 ： 离散化 两系统模型之间的关系 ： 代替 两系统模型噪声方差之间的关系 ： 5.3.3 非线性模型线性化 一般线性化方法：将非线性函数在某固定点处展开成泰勒级数，并截取一阶项，得非线性函数的线性近似。 选取固定点x0的两种方法： （1）标称值：方程没有干扰时推算出来的量。 （2）估计值。 5.4.1 模型向量的选取