1 / 18

Filtre de Kalman – Préliminaires (1)

Filtre de Kalman – Préliminaires (1). Théorème. Filtre de Kalman – Préliminaires (2). Estimateur à variance minimale Estimer constante, a, telle que est minimale Résultat: En effet: . Filtre de Kalman – Préliminaires (3).

zeal
Download Presentation

Filtre de Kalman – Préliminaires (1)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Filtre de Kalman – Préliminaires (1) • Théorème

  2. Filtre de Kalman – Préliminaires (2) • Estimateur à variance minimale Estimer constante, a, telle que est minimale Résultat: En effet:

  3. Filtre de Kalman – Préliminaires (3) • Meilleur estimateur non linéaire de la variable x en termes de y y et x deux variables aléatoires; densité de probabilité conjointe f(x,y). Estimer x par une fonction g(y) de sorte que est minimale Résultat:

  4. Filtre de Kalman – Préliminaires (4) • Démonstration

  5. Filtre de Kalman – Modèle et hypothèses (1) • Système décrit par modèle en variables d’état

  6. Filtre de Kalman – Formulation du problème • Problème: Déterminer l’estimateur de variance minimale de l’état à l’instant k étant donné les mesures jusqu’à l’instant k-1, c-à-d tel que

  7. Filtre de Kalman • Considérons le modèle en variables d’état ci-dessus et définissons

  8. Filtre de Kalman – Démonstration(1) • Equations d’état du système

  9. Filtre de Kalman – Démonstration (2) • Variance

  10. Filtre de Kalman – Démonstration (3) • Par application du théorème (Préliminaire (1)) - Moyenne

  11. Filtre de Kalman – Démonstration (4) • Variance

  12. Filtre de Kalman - Innovation • Prédiction de y(k) • Innovation

  13. Filtre de Kalman permanent (1) • Sous conditions données à la page suivante, • Filtre prend la forme

  14. Filtre de Kalman permanent (2) • Théorème Soit L tel que . Si les 3 conditions suivantes sont remplies: 1) (A,L) stabilisable 2) (C,A) détectable 3) Alors

  15. Filtre de Kalman permanent (3) • Variance de l’erreur d’estimation minimisée asymptotiquement, c-à-d

  16. Filtre de Kalman – Défaut présent (1) • Equations système supervisé + filtre de Kalman en présence d’un défaut • En l’absence de défaut, solution

  17. Filtre de Kalman – Défaut présent (2) • Donc L (r(k))=N (

  18. Bibliographie • G.C. Goodwin et K.S. Sin. Adaptive filtering, prediction and control. Prentice-Hall, 1984 • A. Papoulis. Probability, random variables and stochastic processes. McGraw Hill, 1965 • R.S. Mangoubi. Robust estimation and failure detection: a concise treatment Springer 1998

More Related