现代控制理论赵光宙第六章课件教学.pptVIP

6）再顺序安排状态变量，得状态量x的重构值 ： （2）独立设计状态反馈控制； 1）首先判别系统的能控性： 系统能控； 2）由给定的期望闭环极点求得期望的闭环系统特征多项式为： 3）由闭环系统动态方程写出的闭环系统特征多项式为： 4）由 求得 ： （3）引入状态观测器的状态反馈控制为： 被控对象： 观测器： 控制作用： 可画出引入观测器的状态反馈控制系统的状态变量图 ： §3 状态最优估计 一、状态估计问题的描述 w(t)为m维随机干扰(噪声)向量，称为系统（输入）噪声； 状态方程： 测量方程： v(t)为q维随机干扰（噪声）向量，称为测量噪声； 所谓状态估计就是根据测量值y(t)及随机干扰的统计特性，对系统 的状态量进行估计，得出尽量接近状态量真实值x(t)的估计值 。 希望在一定的准则函数下所作出的估计是最好的，即最优估计问题。 最优估计的解通过准则函数极小化（或极大化）得出。 用准则函数（或指标函数）来衡量估计的好坏。 不同的准则函数对应得出不同的估计方法。 二、最小二乘估计 以误差平方和最小作为准则函数。 对系统进行k次测量，记第i次测量为 ： k次测量后，可得： 以加权误差平方和（按测量值的精度分配权值）最小作为准则函数： 1、静态最小二乘估计 假设了测量过程中x不变 2、动态最小二乘估计 实际的控制系统状态量是变化的，变化规律由系统的状态方程决定： 线性定常离散系统，下标表示时间，仅考虑测量噪声 输入为确定性输入时，可设 考虑 ，有： 得： 时为： 当同时考虑系统噪声可得到类似的结果。 由测量序列 求得估计值 的基础上，通过新测量值 对 的修正得出新估计值 ，解决存储量和计算量不断增大的问题。 3、最小二乘估计的递推算法 以 的动态估计为例： 令： 考虑用 替代 ，上式为： 再令： 则有： 还可推导出： 递推计算： 三、线性最小方差估计 估计值的方差最小作为准则函数。 一般需要已知系统噪声、测量噪声的概率密度以及它们的联合概率密度，较难满足。 如果估计值 是测量值 的线性函数，则只需事先知道系统噪声和 测量噪声的一、二阶矩，即线性最小方差估计。 考虑估计值是测量值的线性函数： 估计值的方差： 令： 则： 要求 最小，必须有： 由此得： 在已知状态量和测量量（或者系统噪声和测量噪声）的一、二阶矩 时，就能得到状态量的线性最小方差估计值。 四、卡尔曼滤波 基于线性最小方差估计的递推算法。为实际应用提供了可能性。 确定性输入，设 为一步转移矩阵 系统噪声和测量噪声为零均值的白噪声，它们相互独立，并与状态 量也不相关。 1．一步预测与新息： 一步预测 一步预测误差 新息 加权修 正系数 一步预测 一步预 测误差 增益矩阵 估计值： 与 、 不相关， ，则： 2．估计误差方差阵的求取： 估计误差： 估计误差的方差阵： 一步预测误差的方差阵 ： 又 与 、 不相关， ，可得： 得： 3．增益矩阵 的求取： 估计误差方差最小等价于误差方差阵的迹最小，即： 而： 和 为对称矩阵，所以有： 、 令其为零，解得： 可得： 总结上面可知，卡尔曼滤波由4个基本方程组成，它们是： （1）一步预测误差方差阵： （2）最优滤波增益阵： （3）状态最优估计方程： （4）估计误差方差阵： 其中一步预测方程 ： 卡尔曼滤波示意图： 一步预测 最优估计 基本方程应用时的几点说明（稳定性、初值、发散）； 带控制作用项系统的卡尔曼滤波； 系统噪声与测量噪声相关的卡尔曼滤波； 连续系统的卡尔曼滤波。 教材介绍了卡尔曼滤波的有关问题： 五、随机线性系统的最优控制 系统： 二次型性能指标： 最优控制的解为： 是状态量x(t)的最优估计值，是下面卡尔曼滤波方程的解： 是卡尔曼滤波增益矩阵，由滤波增益方程求得： 是下面最优估计的矩阵黎卡提微分方程的解： 最优控制的状态反馈矩阵 由下式求得： 是下面最优控制的矩阵黎卡提微分方程的解： 方程的终端条件是： 随机线性系统的最优控制由卡尔曼滤波器和最优控制器两部分组成。 在