Радиолокационные измерители дальности и скорости by Саблин В. Н. (z-lib.org) (852905), страница 10
Текст из файла (страница 10)
Как видно из рисункаи уравнения (1.7.17), существенной операцией в блоке адаптацииРис. 1.7.3.является перемножение двух процессов: процесса ufl(t) с выходадискриминатора основного блока адаптации и производнойд х/ да. Такое корреляционное произведение в явном или неявном виде имеет место во многих известных алгоритмах адаптации.Качественно работу контура адаптации в соответствии с уравнением (1.7.17) можно пояснить следующим образом.
Если оценка аравна истинному значению а неизвестных параметров, то, как известно из общей теории оптимальной фильтрации, процесс ufl(t) навыходе оптимального дискриминатора представляет собой белыйшум. Корреляция такого процесса с производной Качественно работу контура адаптации в соответствии с уравнением (1.7.17)можно пояснить следующим образом. Если оценка дх / да равнанулю и в контуре адаптации отсутствует управляющее напряжение, т.е. оценка а остается равной истинному значению. Еслиуказанная оценка становится отличной от истинного значения, топроцесс на выходе дискриминатора становится отличным от белого шума («окрашенным»), а степень его корреляции с соответствующей производной определяет величину и знак управляющегонапряжения в контуре адаптации, обеспечивая сходимость оценкиа к истинному значению неизвестных параметров.
Факт сходимости алгоритма (1.7.17) доказан в [61].Как отмечалось в §1.5, при большом отношении сигнал/шум ивысокой точности фильтрации, при которой ошибка оценки информативных параметров не выходит за пределы линейного участка дискриминационной характеристики, последнюю можно аппроксимировать линейной функцией (1.5.9), а основной блокфильтрации представить в виде эквивалентной структурной схемы, приведенной на рис. 1.5.6.
В этой схеме процесс в точке «1»такой же, что и на выходе дискриминатора схемы рис. 1.5.2. Лтак как в адаптивной системе фильтрации в контур адаптации подается процесс с выхода дискриминатора, то аналогичная линеаризация дискриминатора (при высокой точности фильтрации)справедлива и для адаптивной системы. Резюме из этих рассуждений такое же, что и в §1.5: синтез адаптивной системы фильтрации (когда сигнальная функция s(X,t) не зависит явно от неизвестных параметров а) можно проводить для эквивалентных линейных наблюдений (1.5.10). Этот факт существенно упрощаетсинтез и анализ адаптивных систем фильтрации.Для задач адаптивной фильтрации в дискретном времениструктура скользящего адаптивного фильтра такая же, как и нарис.
1.7.3. Основной блок фильтрации при этом описывается дискретными уравнениями оптимальной фильтрации (1.5.13)-(1.5.17)при значениях неизвестных параметров, равных их оценочнымзначениям d(k). Уравнения для этих оценок, полученные в [51]имеют вид:Гrds(Crx8(k,c^,a,^o(k)=d(k-l)+Da(k)daBT^djjzfk)-s|Crx3(k,d),d,k|j;J’ds|Crx8(k,a),ct,kjч ?М = ч ?М +ddf r 4J ds(C 4 dd(W H l/\J(1.7.18)ds|cTx8,a,kj^ ^ ^ds|cTx3,a,kjB(a) = DH(k)dZdx~где De(k) - матрица дисперсий ошибок экстраполяции вектора х,удовлетворяющая уравнениям (1.6.15)—(1.5.17).Структурная схема дискретной системы адаптивной фильтрации аналогична соответствующей структурной схеме непрерывнойсистемы и включает основной блок фильтрации и блок адаптации.В ней также можно выделить дискриминатор основного блокафильтрации, для которого справедливо соотношение, аналогичное(1.5.18).
При высокой точности фильтрации дискриминатор можно линеаризовать, структурную схему адаптивной системы представить в эквивалентном виде (рис. 1 . 6 . 6 ), а синтез адаптивнойсистемы фильтрации проводить для эквивалентных линейных наблюдений типа ( 1 .6 . 1 0 ).1.7.5.А л го ри тм ыа д а п т а ц и и , о сн о ван н ы е н а ре гу л и ро в к еПАРАМЕТРОВ СИСТЕМ ФИЛЬТРАЦИИВ предыдущем параграфе рассмотрены алгоритмы адаптивнойфильтрации информативных процессов, в которых формировалисьоценки как самих процессов, так и неизвестных параметров а.Сформированные оценки неизвестных параметров в скользящихалгоритмах адаптации используются для подстройки параметровосновного блока фильтрации, в котором формируется оценка информативного процесса. При этом подстройка таких параметровкак коэффициенты усиления фильтра осуществляется через пересчет матричных уравнений Риккати для матриц дисперсий ошибок фильтрации.
Такая операция требует существенных вычислительных затрат. Кроме того, во многих практических задачах самаоценка неизвестных параметров информативного процесса непредставляет самостоятельного интереса, а задачей системы является выделение самого информативного процесса с максимальнойточностью. В этом случае можно отказаться от прямой оценки неизвестных характеристик информативного процесса и осуществлять непосредственную подстройку (регулировку) параметров системы фильтрации. Использование непосредственной подстройкипараметров системы фильтрации (по терминологии п.1.7.4 - основного блока фильтрации) приводит к упрощению синтезируемойсистемы, а во многих задачах и к улучшению ее характеристик.Рассмотрим задачу линейной фильтрации.
Во-первых, линейные задачи более наглядны и просты для понимания, а, вовторых, как показано в §§ 1.5 и 1 . 6 , при высокой точности фильтрации к линейной задаче сводятся многие задачи нелинейнойфильтрации (при нелинейных наблюдениях).Итак, пусть заданы априорные уравнения(1.7.19)(1.7.20)где а - неизвестные параметры состояния и наблюдения.Так как описания информативного и наблюдаемого процессовзаданы, то естественно, с целью получения наилучших характеристик фильтрации, в качестве основной системы (блока) фильтрации информативного процесса использовать структуру оптимального измерителя.
Представим уравнения такого измерителя в видеX = F(p,t)x+ K(p,t)(z(t) - H(p,t)x).(1.7.21)Здесь введен вектор р - параметров системы, которые подлежат регулировке в процессе адаптации, и использованы обозначения матриц F, К, Н со знакомдля подчеркивания того факта,что они являются функциями регулируемых параметров р и отличаются от аналогичных матриц в (1.7.1), рассматриваемых какфункции параметров а.Будем полагать, для определенности, что параметры Р постоянны, т.е. р = 0 .Для получения уравнений, описывающих процесс адаптации,в [51] предложено использовать квадратичный функционал качества видаМинимизация такого показателя качества адекватна минимизации дисперсии ошибок фильтрации информационного процессах и, выполненная методами вариационного исчисления [59], приводит к следующему алгоритмуВ этих уравнениях функция Dp имеет смысл дисперсии ошибокоценки параметров р.
В уравнения (1.7.22) входит производнаяЭх / Эр, уравнение для которой получается дифференцированием(1.7.21) по р:(1.7.23)Сформированная в соответствии с уравнениями (1.7.22) оценкар регулируемых параметров вводится в основной блок фильтрации, описываемый уравнениями (1.7.21). Структурная схемаадаптивного измерителя аналогична той, которая приведена нарис. 1.7.3.Алгоритм оценивания (1.7.22) параметров системы фильтрации справедлив не только для системы, описываемой уравнениями(1.7.21) и являющейся оптимальной по структуре для фильтрациипроцесса (1.7.19), но и для произвольной системы фильтрации,описываемой в пространстве состояний уравнениемх , = F„(P,t)xH+ K ,(M )(z(t) -( 1.
7.24)где хн - вектор, описывающий систему фильтрации в пространстве состояний и в общем случае отличный от вектора х как по составу координат, так и по размерности, FH, Кн, Нн - матрицы соответствующих размерностей (также отличные от матриц F , К , Нуравнения (1.7.21)), а наблюдаемый процесс такой же, что и(1.7.20).Единственное ограничение на структуру системы фильтрации(1.7.24) состоит в том, чтобы она обеспечивала конечную ошибкуфильтрации оцениваемых компонент информационного процесса.Такое допущение вполне естественно, так как в противном случаепри бесконечной ошибке фильтрации, соответствующую системуне имеет смысла использовать.Алгоритм оценивания параметров р системы фильтрации(1.7.24) аналогичен уравнениям (1.7.22) при замене матриц F , К,Й на соответствующие матрицы FH, Кн, Нн.Для синтеза адаптивных алгоритмов в дискретном временибудем полагать заданными априорные уравнениявох(к)=Ф(к,к- 1,а)х(к-1)+ £x(k-l),(1.7.25)г(к)=Н(к,а)х(к)+£и(к).(1.7.26)Будем полагать, что основной блок фильтрации, формирующий оценку информативного процесса х, описывается уравнениями дискретного фильтра Калманаx(k) = х0(к) + К(к, P)(z(k) - fi(k, Р)хз(к)),(1.7.27)х9(к) = Ф(к, к - 1, р) х(к-1),в котором выделены параметры Р, подлежащие оцениванию, аФ(к, к - 1, р) - заданная матрица экстраполяции.Уравнения, описывающие формирование оценок регулируемых параметров, имеют видВ уравнения (1.7.28) входят производные d x 8 / d p , уравнения длякоторых получаются дифференцированием (1.7.27) по Р--* И(1.7.29)Сформированная по (1.7.28) оценка регулируемых параметроввводится в основной блок фильтрации (1.7.27) вместо р.Также как и в задаче с непрерывным временем, в качестве основного блока фильтрации в дискретном времени можно использовать не только оптимальный по структуре фильтр Калмана, но илюбой другой следящий фильтр, обеспечивающий конечнуюошибку фильтрации заданного процесса х(к).1 .8 .
ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ СИСТЕМ И ПРОЦЕССОВНаучное направление, именуемое теорией идентификации,все чаще применяется при синтезе радиоэлектронных систем различного назначения. В настоящее время известен очень большойнабор различных методов идентификации [13, 30, 62]. Рассмотримнекоторые её алгоритмы, используемые для оценки параметровмоделей состояния и процессов измерений в пространстве состояний.1.8.1.Ал го ри тм и д ен ти ф и к ац и и м од ел и со с то я н и я п оМ ейн уПроцедура идентификации параметров модели состояния,предложенная Мейном [13], представляет алгоритм фильтра Калмана, в котором оценивается не вектор состояния, а вектор параметров модели. При этом требуется, чтобы вектор управления былизвестным, а вектор состояния был доступен измерению, либоимелись его оптимальные оценки, формируемые специальнымфильтром.Метод Мейна позволяет для процесса (системы)хр(к) = Фр(к, к - 1)хр(к -1 ) + 4р(к -1 )( 1.8.
1)оценить вектора(к) = [Фр1(к, к -1 ), Фр2(к, к - 1 ) , , Фрп(к, к - 1)]т (1.8.2)параметров модели ( 1 .8 . 1 ) при условии, что имеется измерениеz(k) = x p(k ).(1.8.3)Здесь: хр=[хтит]т - расширенный вектор состояния размерностью N+r, компоненты которого х и и определяются (1.4.17);Фр(к,к-1 )=[Ф(к,к-1)В(к-1)] - расширенная переходная матрицапроцесса (1.4.17);Фр^(к,к-1 ) - i-я строкаматрицы Фр;£p( k - l ) = [£ £ ( к - 1 ) 0 J]T - вектор дискретного центрированногобелого шума с матрицей дисперсий Dx = M{£p(k - l)£p(k -1 )}; 07 r-мерный нулевой вектор. Используя (1.8.1) и (1.8.2) в (1.8.3), получаем(1.8.4)где62*р(к-1)оОоО*р(к - 1)оОООх £ (к - 1 )о(1.8.5)Мр(к) =ОООХр(к-1)- матрица размером (N+r)x(N+r)2.Как правило коэффициенты Фрц модели ( 1 .8 .