先进控制基础估计问题基础.ppt

第五章  ——估计问题基础 当今时代是信息时代，是知识飞速增长的时代。 一方面，各门学科不断分化，分支学科越来越多， 各种新兴学科和新领域不断出现 各学科和领域之间又不断相互渗透、相互交叉，不 断产生许多新的边缘学科和领域 估计理论涉及系统辨识（System Identification） 状态估计（State Estimation） 时间序列分析（time series analysis） 多传感器信息融合（Multisensor Information Fusion） 四门学科及它们相互交叉、相互渗透的边缘学科和领域。 模型（Model）是对事物、现象、过程或系统的简化描述或模仿，有物理模型、数学模型、仿真模型等。 建立一个数学模型通常包括两方面工作： 是模型结构的确定（包括模型的类型和阶次等） 模型的参数估计 估计问题可分为五类 模型参数估计 时间序列、信号或状态估计 多传感器信息融合估计 自校正信号或状态估计 自校正信息融合信号或状态估计 从估计的精度或性能来看，估计可分为 最优估计 次优估计 自校正估计。 最优估计是相对的，是针对一定的性能指标而言的 例如，“最小二乘法”估计、线性最小方差估计、加 权最优融合估计等。 在一种性能指标下的最优估计可能是在另一种性能指标下的次优估计 5.2.1 参数估计 第一类最优估计问题是模型参数估计问题。建立数 学模型是对时间序列、信号或系统状态进行估计的 基础。 模型参数估计的最基本的方法是最小二乘法（ Least Square Method）。 最小二乘法的基本原理是实际观测值与模型计算值的误差的平方和最小原理，由此得名“最小二乘”法。 例1： 快速动态椭圆检测 椭圆和其他二次曲线方程的一般形式为 最小二乘法原理就是用极小化方程误差的平方和 来确定未知椭圆模型参数， 即它们极 小化性能指标 例2： 5.2.2 线性参数模型最小二乘估计 最小二乘估计是一种经典的数据处理方法 ，最早 的应用可以追溯到18世纪。 最小二乘法原理简单，可以离线计算，又可在线递推计算，并可在非线性系统中扩展为迭代计算 设时不变单输入单输出线性定常系统的数学模型为 残差 估计准则 正则方程 估计量 持续激励条件 极小值 对准则函数 求二阶导数并化简，有 矩阵求逆引理 递推最小二乘估计原理 令 定义 ，这是一个方阵，它的维数取决于未知数的个数，而与观测次数无关，则 式(5.2.3)可化为： 将式（5.2.1）、 （5.2.2） 、（5.2.4）代入（5.2.3） 令 则（5.2.5）可改写为 递推最小二乘估计递推算法： 3. 初值的确定 人为地给定初值。 第二类最优估计问题是信号或状态的最优估计问题，也称最优滤波。 从被噪声污染的观测信号中过滤噪声，求未知真实信号或状态最优估值叫滤波。“滤波”这一术语最初来自无线电领域。 1941年，控制论创始人Wiener提出了信号Wiener滤波理论。经典Wiener滤波方法是一种频域方法，在处理多变量、时变、非平稳时间序列时往往不能达到预期要求，且算法是非递推的，要求存储全部历史数据，不便于工程应用。 例3 Wiener滤波问题 Kalman滤波 1960年，美国数学家和控制论学者Kalman针对Wiener滤波理论的缺点和局限性，以及电子技术和计算机应用技术发展的需要，提出了Kalman滤波理论（状态估计理论） Kalman滤波方法是一种时域方法，它基于状态空间模型和射影理论解决状态估计问题。 Kalman滤波算法是递推算法，便于在计算机上实现，且可处理多变量、时变、非平稳时间序列滤波问题 Kalman滤波也可解决信号滤波问题 非递推算法 递推算法 实际上，有 式(5.3.1)中的第二项为校正量，它是根据误差 例4 动态测量系统Kalman滤波问题。 第三类最优估计问题是最优信息融合估计问题。 满足现代电子与信息战争及国防军事的需要 为了提高对运动目标（导弹、飞机、卫星、坦克、车辆、船舰等）的跟踪精度 提高对动态系统状态的估计精度