一类带乘性噪声非线性系统的估计算法分析.pdfVIP

一类带乘十牛噪声非线竹系统的估计算泣研究 1引言 1．1选题的意义 现代控制理论的主要内容大体上包括系统理论、最优控制理论、滤波理论与 系统辨识四个方面，要实现最优控制，就必须获得系统全部状态变量的信息，但 由于工程测量装置的限制，往往不能测量出系统的全部状态，即反馈到计算机的 测量信号仅提供系统状态的部分信息，此外，被控制系统和测量装置往往带有无 法预计的随机型系统干扰和测量于扰。因此，工程上要实现闭环系统的最优控制， 首先就是从夹杂着噪声的一般时间测量中，求出系统的状态估计，其中最重要的 就是滤波问题，由此可见滤波对系统分析和控制的重要意义。 滤波理论的一个发展方向就是利用统计理论来处理滤波问题，即统计滤波。 通过建立实际系统的数学模型，并根据模型来进行信号估计。目前发展最成熟的 是经典线性系统的最优估计理论，其基于的数学模型是： x(k+1)=A(k+l，．i})x(后)4-B(七)w(|j})(1．1．1) z(后)=C(．i})x(七)+1，(J|}) (1．1．2) 性矩阵。在此，对随机干扰的处理，是将其视作加性噪声，即系统的动态噪声仉七) 优滤波的递推算法以来，在信号最优估计领域已取得众多理论成果，并在空间技 术、通讯、导航等诸多领域得到广泛应用。但是，在许多实际观测过程中，如石 油地震勘探、通讯工程、语音处理等，由反褶积形式描述的观测模型中，不仅有 加性噪声的干扰，还应考虑系统的时变性、非线性畸变、能量衰减等各种复杂甚 至不确定因素，Rajasekaran【3】等人把这些因素在数学上近似归结为乘性噪声， 这类观测模型中含有乘性噪声的随机系统称作带乘性噪声的随机系统(System with Noise，简记作：SMN)，其观测模型为： Multiplicative z(七)=^，(七)c(．j})x(七)+v(七)(1．1．3) 其中：Ⅳ(后)是乘性噪声。 另外，在工程实践中所遇到的具体问题，系统的数学模型往往是非线性的， 如火箭的制导和控制系统、飞机和舰船的惯性导航系统、通讯系统以及许多工业 系统等，一般都是非线性系统。因此，研究非线性系统的状态估计问题是很有必 要的。一般情况下，随机非线性系统可用如下非线性差分方程来描述： x(k+1)=巾【x(七)，M《七)，k】 (1．1．4) z(七)=矗【x(七)，．1，(后)，后】 (1．1．5) 类带乘性噪声非线中壬系统的估计算法研究 上式描述了相当广泛的一类随机非线性系统，由于这类广泛类型的系统对于估计 问题的求解是不方便的，因此，为了使估计问题得到可行的解答，常对上述模型 作出适当的限制： ，x(k十1)=牵f工(七)，k】+r【工(后)，七】“后) (1．1．6) z(七)=矗【x(七)，k】+v(后) (1．1．7) 本文所讨论的状态估计及其它随机信号估计问题，是以如下一类含乘性噪声 的非线性离散随机模型作为讨论的基础： x(k+1)=4【x(Ji})，后】+rI工(Ji})，足】以后)(1．1．8) z(Ji})=Ⅳ(七)M工(后)，七】+v(后) (1．1．9) 其中：x(后)是系统状态向量，巾(．)、^(．)是非线性向量函数，F(·)是非线性矩阵 函数，Ⅳ(·)是乘性噪声，以|j})、Kk)分别是过程噪声和量测噪声。 显然，乘性噪声的引入及数学模型的非线性，使系统的形式更复杂，在处理 上比带乘性噪声的线性系统以及不带乘性噪声的非线性系统更加困难。在实际 中，基于这类模型的系统的估计问题，如动态系统的状态估计、信号反褶积估计 及其参数辨识估计等是十分重要钓，特别是反褶积估计理论，在石油地震勘探、 信号处理领域有十分重要的应用价值。 1．2带乘性噪声系统的特点及应用背景 1．2．1带乘性噪声系统的特点 1． 在观测方程中出现了两个随机量的乘积，