Главная » Просмотр файлов » Радиолокационные измерители дальности и скорости by Саблин В. Н. (z-lib.org)

Радиолокационные измерители дальности и скорости by Саблин В. Н. (z-lib.org) (852905), страница 9

Файл №852905 Радиолокационные измерители дальности и скорости by Саблин В. Н. (z-lib.org) (В. Н. Саблин - Радиолокационные измерители дальности и скорости) 9 страницаРадиолокационные измерители дальности и скорости by Саблин В. Н. (z-lib.org) (852905) страница 92021-10-05СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 9)

Общее решение задачисинтеза адаптивной системыФИЛЬТРАЦИИВ §1.2 показано, что в задачах адаптивной фильтрации в ка­честве показателя качества используется усредненный риск Ё(х)(1.2.7), в котором выполнено усреднение как по всем случайным[фоцессам, так и по неизвестным параметрам а. При квадратич­ной функции потерь оптимальной оценкой будет оценка условногофеднего, описываемая соотношениема шахх=}00/\J xW(x,azojdxda.(1.7.5)arain - 001десь w|x,a|zoj - совместная апостериорная плотность вероятно-ти распределения информационного процесса x(t) и неизвестных[араметров а.Используя формулу Байеса для совместной апостериорнойплотности, соотношение (1.7.5) можно представить в видех =[a m in[ x w | x z o ,a jw | a | z o jd x d a =_c0{x 0 (a )w | a | z o jd a ,a m in(1.7.6)деx 0(a) = J xW (xZo,ajdx оптимальная оценка вектора x при фиксированном значении а.

Извыражения (1.7.6) следует, что фильтр, формирующий оптималь­ную оценку х в условиях априорной неопределенности, реализуетусреднение условных (при фиксированных значения параметров а)оптимальных оценокх^а)поапостериорномураспре делении:wjajzoj неизвестных параметров.Условные оптимальные оценки х 0(а) могут быть полученыобычными методами оптимальной фильтрации (см. §§ 1.4, 1.5) впредположении, что параметры а известны. Выражение для апо­стериорной плотности W la z o ], полученное в [51], имеет видexpjI p i( cx,x)idxj•W(a)10“ шхf(1-7.7)1'texpj |Fi (°C,T)dx |w(a)daв которомF1(a,t)= J F^,a,t)w(x|z^a)dx,= Стх,(1.7.8)-соF„(b,a,t) = sT(A.,a,t)G”1(t)(z(t) - 0,5s(b,a,t)).Практическая реализация оптимальноговозможна в виде многоканального фильтра.алгоритма(1.7.6)Суть построения многоканальных адаптивных систем заклю­чается в том, что область возможных значений а дискретизирует­ся, т.е.

считается, что а может принимать дискретные значениящ (i=l,2,...,M ) из заданной области ( а ^ , а ,,^ ). Интеграл в (1.7,6)при этом заменяется суммой, и выражение для оптимальнойоценки принимает вид(1.7,9)*= Z*o(ai)P(al^o)»где P|ai|zoj - апостериорная вероятность того, что а=щ, х 0 (а{) оценка вектора х, определяемая уравнениями (1.5.2), (1.5.3) прификсированном значении а= 0 |.При дискретизации значений вектора а выражение (1.7.7) пе­реходит в соотношениеexiРмJFifat, т) d т|р(ад)t’(1.7.10)Z exP(f Fi(ai» т) d t}P(ai)i=l0в котором P(cti) - априорные вероятности значений а=оц.Структурная схема оптимального фильтра, описываемого вы­ражениями (1.7.9), (1.7.10) приведена на рис.

1.7.1. Из него сле­дует, что измеритель является многоканальным. Он содержит на­бор фильтров, каждый из которых рассчитан на оптимальное вы­деление информативного процесса с параметром а, равным оц, на­бор вычислителей апостериорных вероятностей, перемножители исумматор. В процессе работы системы условные оценки х 0(а),формируемые на выходах канальных фильтров, умножаются навероятности P(aJzo) и суммируются, образуя выходную оптималь­ную оценку х . С течением времени апостериорная вероятность то­го значения Oj, которое наиболее близко к истинному значению а,стремится к единице, а вероятности остальных <ц убывают до ну­ля.

Поэтому после завершения процесса адаптации из всех ка­нальных фильтров оказывается «включенным» лишь тот фильтр,параметры которого соответствуют характеристикам принимаемогоинформативного процесса.Рис. 1.7.1.Рассмотренный подход к построению адаптивных системфильтрации в литературе получил название «метода разделения»[51]. Это связано с тем, что процедура адаптивной фильтрации ус­ловно разделяется на два этапа. На первом этапе определяютсяоценки информативного процесса при фиксированных значенияхщ и апостериорные вероятности Р(сц)го), а на втором проводитсяусреднение этих оценок с весом, равным вероятностям Р (а ^ о ).Метод разделения может быть использован также для синтезаадаптивных фильтров в дискретном времени.

В этом случае в ка­честве условно оптимального фильтра, формирующего оценкуx 0( a i) при фиксированном значениищ, необходимо использоватьсоответствующий дискретный фильтр, например описываемыйуравнениями (1.5.13)—(1.5.17), а для апостериорных вероятностейP la jz i I справедливо рекуррентное выражение [51]р|(a,|j!l~1)P (Z(k|Zl~ 1’ a i)М/ip k(1.7.11)i Z0-1 jP (Z(k )|Z0 ~ \ a i)i=l vгде вероятность P^z(k)|zo 1, a 1j определяется из априорного уравне­ния наблюдений (1.7.2) при фиксированном значении а=оц.Как следует из выше изложенного, адаптивные системыфильтрации, синтезированные методом разделения, реализуются ввиде многоканальных систем и достаточно сложны для практиче­ского применения.

Для построения более простых адаптивныхфильтров можно использовать следующее обстоятельство. Прибольшом времени наблюдения апостериорная плотность вероятно­сти w|a|zoj вектора а, описывающего неизвестные статистическиехарактеристики, становится узкой по сравнению с априорнойплотностью распределения этих параметров и сосредоточеннойвблизи некоторого значения a=a*. Тогда в выражении для опти­мальной оценки (1.7.6) можно положить w|a|zoj=8(a-a*), что при­водит к соотношениюx » x 0(a*)= J xw(x|zjj,a*)dx.(1.7.12)—соВ соответствии с полученным выражением задача адаптивнойфильтрации сводится к фильтрации информационного процессапри оценочном значении а* неизвестных параметров.Описанный подход, естественно, является приближенным, таккак на начальном этапе наблюдения апостериорная плотность ве­роятности может быть достаточно широкой.

Связанная с этим неоптимальность полученного адаптивного фильтра окупается егосравнительной простотой.На рис. 1.7.2 показана общая схема рассматриваемого адап­тивного фильтра. Она состоит из двух блоков. Первый из них яв­ляется оптимальным фильтром, рассчитанным на выделение ин­формационного процесса в предположении, что a=a*.

Второй - яв­ляется блоком адаптации. Он формирует апостериорную оценку а*априорно неизвестных парамет­Основной блокz(t)ров, которая вводится в основнойфильтрацииблок фильтрации для подстройки(отиыадьныйего параметров. Такая структурабипьто яга С£=сЛадаптивных фильтров получила влитературе название скользящейадаптации.— ► Блок адаптацииУпрощение адаптивных фи­льтров обсуждаемого типа посравнению с многоканальнымиРис. 1.7.2.т«*фильтрами достигается за счет того, что в них вместо апостериор­ной плотности вероятности всех возможных значений вектора аформируется и используется лишь одно оценочное значение а*,т.е.

формируется и используется точечная оценка вектора а. Дляформирования этой оценки можно использовать различные крите­рии и подходы. Вполне естественно, например, выбрать в качествеоценочного значения а* апостериорное среднее значение вектора а,т.е.

принятьа*=а = JaW^a|zojdoc.(1.7.13)Алгоритм адаптивной фильтрации с использованием в качест­ве оценки а апостериорного среднего получил название алгоритмаскользящего адаптивного приёма.Уравнение, описывающее эволюцию оценки а , может бытьполучено из общего уравнения (1.3.6) для апостериорной плотно­сти. Для совместного апостериорной плотности w(x,a|Zo) справед­ливо уравнение (1.3.6), в котором в качестве оператора ФоккераПланка !*<*(•) следует использовать оператор для расширенноготвекторахта т , а функция F<j)(x,a,t) описывается выражением(1.7.8).

Для условной апостериорной плотности w|x|zp,aj такжеможно записать уравнение (1.3.6), но с оператором ФоккераПланка !*(•) только для процесса х. При постоянных неизвестныхпараметрах а операторы Фоккера-Планкаи L* совпадают, ипосле несложных преобразований получается уравнение для апо­стериорной плотностиW(a|z*j= Fi(a,t)- J ^ (a.tjw fa^ jd a w(a|z‘ ),где функция F ^a,!) описывается выражением (1.7.8).Для гауссовской аппроксимации апостериорной плотностиw|a|zoj в [51] получены следующие уравнения для оценки неиз­вестных параметровdslC Tx(d),d,tjNa = Da(t}da°й г(1)(г(4) " s(cTx(d),d, tjj -d T (d )V !.

ddJ [’(1.7.14)где Da = м£(а - а)(а - а )т- матрица дисперсий ошибок оценива-ния параметров а,¥ = 0,5tr<(1.7.15)Следует отметить, что при формировании оценок по соотноше­ниям (1.7.14), (1.7.15) необходимо учитывать зависимость оценких и матрицы D от а. Поэтому при дифференцировании в (1.7.14),(1.7.15) по а необходимо вычислять полные производные, т.е.ds|cTx(a), a, tjSs^CTx(d), a, tj5s(cTx(a), a, tjda5aЭх5a ’(1.7.16)d¥(£(&), a) _ 5У(&(&), a, t)da5aS^fxfa), a, t) f aЭх5aПри выполнении дифференцирования в (1.7.14), (1.7.16) воз­никают производные Эх / 5d и 5D / Э а , уравнения для которыхмогут быть получены дифференцированием уравнений оптималь­ной фильтрации (1.6.2), (1.5.3) по а .Рассмотрим один частный случай, когда сигнальная функцияs(A,,t) в наблюдениях не зависит явно от неизвестных параметрова, а может зависеть от них только через информативные парамет­ры Л.

В этом случае из сопоставления уравнения (1.7.14), описы­вающего блок адаптации, и уравнений (1.5.2), (1.5.3), описываю­щих основной блок фильтрации, можно увидеть, что на вход бло­ка адаптации поступает сигнал) ufl(t) с выхода дискриминатораосновного блока фильтрации, так что уравнение (1.7.14) можнозаписать в виде(1.7.17)где nA(t) определяется соотношением (1.5.6).Структурная схема системы адаптивной фильтрации для рас­смотренного случая приведена на рис. 1.7.3.

Характеристики

Тип файла
PDF-файл
Размер
20,62 Mb
Тип материала
Высшее учебное заведение

Список файлов книги

Свежие статьи
Популярно сейчас
Как Вы думаете, сколько людей до Вас делали точно такое же задание? 99% студентов выполняют точно такие же задания, как и их предшественники год назад. Найдите нужный учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6418
Авторов
на СтудИзбе
307
Средний доход
с одного платного файла
Обучение Подробнее