Помощь в написании студенческих работ
Антистрессовый сервис

Гарантированное оценивание сигналов с ограниченными дисперсиями производных: исследования во временной и частотной областях

Диссертация: Гарантированное оценивание сигналов с ограниченными дисперсиями производных: исследования во временной и частотной областях
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Идея вначале иллюстрируется на методических примерах, где робастные фильтры, построенные по каждому отдельному спектральному моменту и одновременно по всем заданным спектральным моментам, сопоставляются с фильтром оптимальным для конкретной спектральной плотности, обладающей этими моментами. В примерах наглядно демонстрируется, что фильтр, опирающийся на информацию лишь о нескольких числовых… Читать ещё >

Гарантированное оценивание сигналов с ограниченными дисперсиями производных: исследования во временной и частотной областях (реферат, курсовая, диплом, контрольная)

Содержание

  • Условные обозначения и сокращения
  • Глава 1. Современное состояние проблемы оценивания сигналов с ограниченными дисперсиями производных
    • 1. 1. Взаимосвязь характеристик случайного сигнала и его производных
    • 1. 2. Исследование класса оцениваемых сигналов
    • 1. 3. Построение робастного фильтра в частотной области
  • Выводы
  • Глава 2. Алгоритм оценивания сигналов с ограниченными дисперсиями производных во временной области
    • 2. 1. Описание сигналов с ограниченными дисперсиями производных в пространстве состояний
    • 2. 2. Постановка задачи оценивания и выбор критерия оптимальности.,
    • 2. 3. Структура робастного фильтра
    • 2. 4. Решение задачи робастной фильтрации
    • 2. 5. Связь временного и частотного подходов
  • Выводы
  • Глава 3. Аналитические решения и обобщения задачи робастного оценивания
    • 3. 1. Случай ограничения дисперсии первой производной сигнала
    • 3. 2. Случай ограничений дисперсий сигнала и его первой производной
    • 3. 3. Случай ограничения дисперсии второй производной сигнала
    • 3. 4. Случай ограничений дисперсий первой и второй производных сигнала
    • 3. 5. Случай ограничений дисперсий сигнала и двух первых производных
    • 3. 6. Случай оценки линейного преобразования измеряемого сигнала
    • 3. 7. Случай цветного шума
  • Выводы
  • Глава 4. Исследование свойств робастного алгоритма оценивания
    • 4. 1. Пример оценивания сигнала при ограничениях на дисперсии сигнала и его первой производной
    • 4. 2. Пример оценивания сигнала при ограничениях на дисперсии его первой и второй производных
    • 4. 3. Метод анализа влияния на точность оценивания каждой из ограниченных дисперсий производных, рекомендации относительно построения эффективных и надежных алгоритмов оценивания
  • Выводы
  • Глава 5. Решение задачи авиационной гравиметрии с позиции робастного подхода
    • 5. 1. Постановка задачи авиационной гравиметрии
    • 5. 2. Решение задачи авиационной гравиметрии с позиций оптимального и робастного подходов
    • 5. 3. Построение робастного фильтра для задачи авиационной гравиметрии при возможности пост-обработки
    • 5. 4. Выводы о целесообразности применения робастного подхода для решения задачи авиационной гравиметрии

Во многих задачах управления и обработки информации приходится оценивать сигнал по зашумленным измерениям. Для расчета динамических свойств (т.е. передаточных функций) систем, перед которыми ставится задача оценивания сигнала на входе, привлекается теория фильтрации. В рамках теории фильтрации задача сводится к синтезу фильтра на основе имеющихся априорных сведений об оцениваемом сигнале и шуме, а также выбранном критерии оптимальности.

В диссертационной работе рассматривается задача оценивания сигнала, когда в измерениях y (t) = s{t) + n (t) полезный сигнал s (t) и шум измерения n (t) предполагаются некоррелированными между собой стационарными в широком смысле центрированными случайными процессами. Для описания сигнала и шума используются стохастические модели (спектральные плотности или корреляционные функции), и сведения о законах распределения сигнала и шума не привлекаются. В связи с этим для получения оценки используется линейный фильтр. Полагается, что существует установившееся решение задачи фильтрации, означающее, что ошибка оценивания e{t) = s{t)-s{t), где s (t) — оценка сигнала, является стационарным процессом.

При точном знании структуры и параметров моделей оцениваемого сигнала и шума для решения задачи оценивания используются методы оптимальной линейной фильтрации, когда минимизируется среднеквадратическая ошибка.

При этом фильтр может быть синтезирован как в частотной (фильтр Винера), так и во временной (фильтр Калмана) областях [35, 36, 12]. Отметим, что, учитывая центрированность ошибки линейного фильтра при центрированных сигнале и шуме, минимизация среднего квадрата ошибки равносильна минимизации ее дисперсии De.

В прикладных задачах часто возникает ситуация, когда отсутствует точная информация о структуре или параметрах моделей оцениваемого сигнала и шума. В таких случаях применение оптимального фильтра нередко приводит не только к отличию ожидаемых точностей от их реальных значений, но и к расходимости процесса фильтрации, когда ошибка фильтрации неограниченно возрастает [25, 66, 67].

Для преодоления этой проблемы фильтр синтезируют таким образом, чтобы обеспечить приемлемое качество его работы в условиях отличия действительных характеристик сигнала и шума от расчетных. Такие фильтры получили название робастных фильтров [7, 2, 25, 38]. Построению робастных алгоритмов для оценивания сигналов посвящено большое число работ, и по сей день эта область активно развивается. Отметим лишь некоторых из отечественных ученых, принесших вклад в развитие теории робастного оценивания: А.Б. Куржан-ского, Я. З. Цыпкина, Ф. Л. Черноусысо, А. Е. Барабанова, В. А. Бесекерского, A.B. Небылова, И. Б. Челпанова, Б. Т. Поляка, E.H. Розенвассера.

Среди всех робастных фильтров особый класс образуют гарантирующие фильтры, которые строятся из условия не превышения некоторой оценки сверху для дисперсии ошибки фильтрации при заданной неопределенности в модели и могут рассматриваться как обобщение стандартного оптимального фильтра на случай неопределенности в системе [38, 2, 31, 59, 61]. Среди гарантирующих фильтров широкое распространение получил минимаксный подход [25, 23, 32, 86, 27]. Довольно полным исследованием применения минимаксного подхода в задачах фильтрации в частотной области является статья А. Каа-сама и В. Пура [25].

Многие исследования посвящены построению гарантирующего фильтра с использованием аппарата фильтрации во временной области, когда существуют неопределенности матрицы динамики или интенсивностей шумов в описании формирующего фильтра для оцениваемого сигнала [22, 37, 86, 48]. Отметим работы отечественных авторов: С. П. Дмитриева [14], А. Е. Пелевина [45], их совместную работу [15], Тупысева В. А [56], зарубежных авторов Geromel J. С. [70], [71], U. Shaked и С. Е. de Souza [95], I. R. Petersen и С. MacFarlane [92], Sayed A.H. [94] и других [16,100, 103, 106, 69].

Гарантированного оценивания можно также достигнуть путем настройки фильтра на нестационарные модели, представляемые в виде я-кратно проинтегрированного белого шума [60, 43, 57]. При этом обеспечивается стабильная работа фильтров далее при кусочно-постоянном поведении реальных процессов, а ошибка фильтрации для стационарных процессов не превысит заранее известного уровня. И. Б. Челпановым, Л. П. Несенюком и М. В. Брагинским в работе [60] предложен способ задания модели сигнала в виде я-кратно проинтегрированного белого шума путем спрямления некоторой выбранной спектральной плотности полезного сигнала в точке ее пересечения со спектральной плотностью шума.

Большой интерес привлекли и Нтфильтры, которые минимизируют максимальный пик спектральной плотности ошибки [89, 4, 96, 68, 72, 101]. Исследования показали, что Яифильтры являются малочувствительными в смысле точности оценивания к отличию действительных характеристик сигнала и шума от расчетных [97, 77]. Более того, -фильтры могут быть обобщены на случай неопределенности в модели [87, 65].

В диссертационной работе рассматривается робастный подход, главное отличие которого заключается в том, что априорная информация о сигнале (и, возможно, о шуме) представляется только в виде числовых характеристик, таких как ограничения на дисперсии самого сигнала и некоторых его производных [38, 8, 40]. Дисперсии производных сигнала связаны с его спектральной плотностью S ((?>) соотношениями вида [55]:

1 оо.

D. =— i = ~bM, M>L> 0.

Xl 2% J оо.

Отметим, что величины {/)А7- являются обобщенными моментами функции.

О ' относительно базисных функций и,-(со) = со 1.

Таким образом, если для сигнала выполнены ограничения на дисперсии производных порядков от I до М, равные {Д}^, то для его спектральной плотности справедливы выражения:

-| со [ю2/?(Ю)?/Ю .,? = Ь, М, М>Ь>Ъ.

2к -1 '.

— 00.

Такая априорная информация обладает большой достоверностью и может быть получена исходя из эвристических, инженерных соображений даже не прибегая к анализу реализаций процесса. При этом фильтр, опирающийся на информацию лишь о нескольких таких верхних ограничений для дисперсий производных сигнала, гарантирует некоторую заранее заданную допустимую ошибку оценивания, которая не зависит от конкретного вида спектральной плотности сигнала. Этим объясняются робастные свойства такого фильтра.

Подобная априорная информация может показаться довольно скудной, однако в работах [83−85, 24, 29, 30, 41] показано, что такой фильтр обычно лишь немного уступает по точности оптимальному фильтру, построенному для некоторой спектральной плотности, обладающей моментами {Д-}^, и в то же время обеспечивает эффективное и надежное оценивание сигналов даже в условиях некоторой неопределенности или нестабильности самих значений моментов, по которым синтезировался робастный фильтр. Именно поэтому рассматриваемый робастный подход может найти широкое применение во многих задачах управления и обработки сигналов, например при радиолокационном сопровождении движущихся объектов, при управлении посадкой самолета или в задачах связанных с анализом геофизических полей. Модель в виде верхних ограничений на дисперсии производных адекватно описывает уходы гироскопов и ошибки инерциальных навигационных систем, а также такие возмущения как порывы ветра.

В.А. Бесекерским и A.B. Небыловым в работах [7, 38] разработан алгоритм построения фильтра в частотной области для оценивания сигнала, когда информация о сигнале и, возможно, о шуме измерения задана в виде дисперсий производных. Следует также отметить работу В. Н. Калиниченко, в которой развивается этот метод [79]. Согласно существующему алгоритму построение робастного фильтра сводится к оптимизации частотной передаточной функции фильтра, структура которой выбирается исходя из инженерных соображений, по критерию минимума верхней оценки для дисперсии ошибки в установившемся режиме. Сама задача оптимизации решается с использованием численных методов поиска экстремума функции. К сожалению, часто возникают сложности с поиском минимума функции, которые связаны со сложностью вычисления значений функции, наличием локальных минимумов и большим числом свободных параметров. Эти обстоятельства, а также то, что существующий алгоритм предоставляет возможность рассмотреть только установившийся режим оценивания, не позволяют широко использовать данный робастный подход для решения практических задач.

Отметим также работу Ю. Б. Коробочкина и О. Б. Куркина [27], в которой предлагается синтезировать подобный робастный фильтр, используя минимаксный подход, что приводит к иррациональным функциям. Такой подход не дает возможность рассматривать с его помощью сложные задачи.

Разработка алгоритма оценивания сигналов с ограниченными дисперсиями производных, который расширяет возможности решения на его основе практических задачах, определяет актуальность темы выполненной работы.

Идея диссертационной работы заключается в постановке задачи оценивания, когда заданы ограничения на дисперсии производных сигналов, в пространстве состояний при фиксированной неопределенности в модели и привлечении для ее решения отработанного аппарата фильтрации во временной области, включая современную теорию Н21Нт фильтрации.

Цель диссертационной работы — в рамках общей идеи решить задачу стационарной фильтрации сигнала с ограниченными дисперсиями производных на фоне белого шума и исследовать свойства полученного фильтра.

Для достижения поставленной цели решались следующие задачи:

— формулирование исходной проблемы в пространстве состояний;

— выбор критерия оптимальности фильтра;

— определение структуры робастного фильтра;

— поиск удобного алгоритма синтеза фильтра;

— нахождение готовых решений для распространенных на практике случаев;

— исследование свойств робастного фильтра;

— разработка удобного для практического применения метода анализа влияния на точность оценивания каждой из ограниченных дисперсий производных.

Выполненная работа состоит из трех основных частей:

1) исследования во временной области, которые проводятся с целью поиска нового алгоритма гарантированного оценивания сигналов с ограниченными дисперсиями производных;

2) исследования в частотной области, где на основе результатов, полученных в первой части, исследуются свойства робастного фильтра, разрабатывается удобный для практического применения метод анализа влияния на точность оценивания каждой из ограниченных дисперсий производных, а также формулируются рекомендации относительно построения эффективных и надежных алгоритмов оценивания сигналов;

3) решение прикладной задачи, где предложенные в диссертационной работе идеи успешно применяются для решения задачи авиационной гравиметрии.

В работе использовалась методы статистического и спектрального анализа, методы оптимальной линейной фильтрации, а также методы фильтрации в Яет постановке.

Основные положения, выносимые на защиту:

1. Алгоритм оценивания сигналов с ограниченными дисперсиями производных на фоне белого шума.

2. Аналитические решения задачи оценивания сигналов для различных комбинаций ограничений дисперсий сигнала и его двух первых производных.

3. Графический метод анализа влияния на точность оценивания каждой из ограниченных дисперсий производных.

4. Результаты решения задачи авиационной гравиметрии с позиции роба-стного подхода.

Научная новизна:

— доказано, что сигнал с ограниченными дисперсиями производных описывается в пространстве состояний, когда неопределенность модели заключается в спектре порождающего сигнала и значениях некоторых параметров;

— показано, что задача синтеза робастного фильтра может быть решена путем Я2/Ям оптимизации передаточной функции;

— определена самая простая структура робастного фильтра. Обосновано, что использование фильтра более сложной структуры нецелесообразно;

— впервые получены аналитические решения задачи робастного оценивания для случаев ограничений нескольких дисперсий производных;

— предложен метод выделения наиболее значимых из ограниченных дисперсий производных с использованием удобного графического способа путем построения логарифмических спектральных плотностей;

— выявлено, что фильтр, построенный при ограничении только на дисперсию п-ой производной, настраивается на нестационарную модель входного сигнала в виде я-кратно проинтегрированного белого шума.

Материал диссертационной работы изложен следующим образом.

В первой главе проводится исследование класса оцениваемых сигналов. В ней демонстрируются многообразие сигналов, для которых одновременно выполнены ограничения на дисперсии производных, и преимущество робастного подхода для оценивания сигналов. Анализируется процедура синтеза и анализа точности робастного фильтра в частотной области, и обозначаются основные трудности ее реализации.

Вторая глава является одной из основных. Здесь разрабатывается новый алгоритм гарантированного оценивания сигналов с ограниченными дисперсиями производных на основе теории фильтрации во временной области.

Самостоятельным результатом проведенных исследований является найденный способ представления сигналов с ограниченными дисперсиями производных в пространстве состояний. Его вывод описан в первом разделе главы, где показано, что любой сигнал с ограниченными дисперсиями производных может быть получен путем пропускания порождающего сигнала с ограниченной дисперсией через формирующий фильтр, причем порядок фильтра не превышает порядка старшей дисперсии производной, имеющей ограниченную дисперсию. Это позволяет описать любой сигнал, удовлетворяющий принятым ограничениям на дисперсии производных, в пространстве состояний, когда неопределенность модели заключается в спектре порождающего сигнала и значениях некоторых параметров.

Во втором разделе главы ставится задача оценивания такого сигнала на фоне белого шума, и устанавливается критерий, по которому выбирается фильтр среди всех допустимых фильтров, как верхняя оценка для дисперсии ошибки оценивания. Эта верхняя оценка складывается из квадрата Н2 -нормы передаточной функции от белого шума измерений к ошибке оценивания и квадратанормы передаточной функции от порождающего сигнала с ограниченной дисперсией к ошибке оценивания.

В третьем разделе определяется самая простая структура робастного фильтра, и приводится обоснование, что использование фильтра более сложной структуры нецелесообразно. На основе этого заключения в четвертом разделе главы описывается алгоритм синтеза робастного фильтра, который по сравнению с алгоритмом в частотной области обладает меньшим числом свободных параметров и обеспечивает более простой способ вычисления значений целевой функции оптимизации. В последнем разделе устанавливается связь предложенного временного и разработанного ранее частотного алгоритмов синтеза робастного фильтра и демонстрируется, что новый алгоритм не противоречит существующему алгоритму и дополняет его новыми возможностями.

В третьей главе найдены готовые решения задачи оценивания сигналов с ограниченными дисперсиями производных для наиболее распространенных на практике случаев. Здесь рассмотрены ситуации, когда для оцениваемого сигнала заданы: только АА и Атолько АА и АА, А и АПриведены передаточные функции для робастных фильтров, и представлены аналитические выражения для целевых функций оптимизации, параметрами которых являются коэффициенты этих передаточных функций. Продемонстрирована методика, с помощью которой молено решить задачу робастного оценивания во многих других ситуациях. Аналитические решения для случаев ограничений нескольких дисперсий производных получены впервые.

Также в третьей главе рассматривается случай оценки линейного преобразования измеряемого сигнала и демонстрируется, что в отличие от фильтра Калмана, который при имеющихся измерениях обеспечивает одновременно оптимальные оценки для всех составляющих вектора состояния, робастный фильтр обеспечивает оптимальное решение только для конкретной выбранной компоненты вектора состояний (или линейного преобразования вектора состояний). В конце главы приводится обобщение задачи робастной фильтрации на случай цветного шума, а именно когда шум измерения представляет собой смесь белого шума и цветного шума с известной спектральной плотностью.

В четвертой главе исследуются свойства робастного фильтра, и разрабатывается удобный для практического применения метод анализа влияния на точность оценивания каждой из ограниченных дисперсий производных. Исследования в этой главе проводятся в частотной области, а выделение значимых дисперсий производных производится удобным графическим способом путем построения логарифмических спектральных плотностей.

Идея вначале иллюстрируется на методических примерах, где робастные фильтры, построенные по каждому отдельному спектральному моменту и одновременно по всем заданным спектральным моментам, сопоставляются с фильтром оптимальным для конкретной спектральной плотности, обладающей этими моментами. В примерах наглядно демонстрируется, что фильтр, опирающийся на информацию лишь о нескольких числовых характеристиках, незначительно уступает по точности оптимальному фильтру, для которого задается кривая спектральной плотности. При этом зачастую лишь один из спектральных моментов оказывает сильное влияние на точность оценивания, в то время как ограничениями остальных можно пренебречь. После этого показывается, что робастный фильтр, синтезированный для одного спектрального момента, настраивается на нестационарный сигнал в виде проинтегрированного белого шума. Таким образом, делается вывод о том, что предлагаемый робастный подход позволяет построить фильтр, который обладает надежностью фильтра, настроенного на нестационарную модель входного сигнала, но при этом хорошо учитывает свойства самого оцениваемого сигнала.

В пятой главе предлагается решение задачи авиационной гравиметрии — определения аномалии ускорения силы тяжести (УСТ) на летательном аппарате при использовании измерений гравиметра и данных об изменениях высоты от спутниковой навигационной системы — на основе идей, предложенных в диссертационной работе. В этом случае информация об аномалии представлена в виде двух числовых характеристик: ограничений на дисперсию аномалии и дисперсию ее производной. Проводится сопоставление по точности и чувствительности предложенного робастного решения с оптимальным решением для некоторых распространенных моделей аномалии, и обсуждается эффективность применения рассматриваемого робастного подхода для решения задачи авиационной гравиметрии. Дополнительно исследуется возможность построения робастного фильтра для оценивания аномалии УСТ, когда при обработке могут быть использованы не только прошлые, но и будущие относительно текущей точки измерения (задача сглаживания).

Основой для четвертой и пятой глав диссертационной работы послужили результаты, полученные в период стажировки в ФГУП РФ — ЦНИИ «Электроприбор» с 01.11.2003 по 30.04.2004 (руководитель — д.т.н. Степанов O.A.) [24].

В заключение приведена общая характеристика диссертационной работы, сформулированы основные выводы по ее результатам, и обозначены направления для дальнейших исследований.

В Приложениях представлены тексты программ для расчета робастного фильтра для всех рассмотренных случаев, написанные для пакета Ivlathcad 200Ii Professional, а также приведен с подробными комментариями текст программы в среде Ivlatlab 6.5, которая использовалась для нахождения коэффициентов робастного фильтра при решении задачи авиационной гравиметрии.

Основные результаты настоящей работы сводятся к следующему.

1. Продемонстрирована эффективность применения в задачах управления и обработки информации робастного подхода, основанного на оценивании сигналов при известных ограничениях на дисперсии их производных.

Этот результат получен путем сопоставления робастного алгоритма с оптимальным алгоритмом, для которого задается спектральная плотность сигнала, которое показало, что задание априорной информации в виде нескольких числовых характеристик (1.1) дает возможность синтезировать фильтр, по точности лишь немного уступающий оптимальному (в пределах 20−25% по средне-квадратической ошибке). В то же время робастный алгоритм обеспечивает эффективное и надежное оценивание сигналов, даже в условиях некоторой неопределенности или нестабильности самих значений числовых характеристик, по которым синтезировался робастный фильтр.

2. Проанализирована процедура синтеза и анализа точности робастного фильтра в частотной области, и обозначены основные трудности ее реализации.

В работе подробно описаны шаги, которые необходимо сделать разработчику в ходе синтеза робастного фильтра. Показано, что на первом этапе разработчику необходимо задать структуру фильтра, на втором — реализовать достаточно сложный алгоритм анализа точности фильтра с фиксированными коэффициентами, на третьем — найти оптимальные значения этих коэффициентов путем минимизации функции, переменными которой являются коэффициенты фильтра. При этом разработчики встречают сложности с поиском минимума фушсции, которые связаны с трудоемкостью вычисления значений функции, наличием локальных минимумов и большим числом свободных параметров. И хотя современные мощные средства автоматизации проектирования делают доступным проведение синтеза такого робастного фильтра, сложность решения задачи и большие временные затраты необходимые на то, чтобы разобраться в процедуре синтеза фильтра, делают существующий подход неудобным для широкого круга разработчиков. Одновременно с этим применение рассматриваемого робастного подхода желательно во многих задачах обработки сигналов.

3. Разработан новый алгоритм гарантированного оценивания сигналов с ограниченными дисперсиями производных на основе теории фильтрации во временной области.

Основой новому алгоритму стало найденное представление сигналов с ограниченными дисперсиями производных в пространстве состояний. В работе доказано, что сигнал с ограниченными дисперсиями производных описывается в пространстве состояний, когда неопределенность модели заключается в спектре порождающего сигнала и значениях некоторых параметров. При этом порождающим сигналом для модели является сигнал с ограниченной дисперсией, порядок модели соответствует порядку старшей производной, имеющей ограниченную дисперсию, а число свободных параметров в модели на единицу меньше числа ограниченных дисперсий производных.

Следующим шагом показано, что задача синтеза робастного фильтра может быть решена путем Н21НГЛ оптимизации передаточной фушсции. Это позволило определить самую простую структуру робастного фильтра и привести обоснование, что использование фильтра более сложной структуры существенным образом качество оценивания не повышает.

В результате предложен алгоритм синтеза робастного фильтра во временной области, который по сравнению с алгоритмом в частотной области обладает меньшим числом свободных параметров и обеспечивает простой способ вычисления значений целевой функции оптимизации, поскольку использует для этого стандартные процедуры, встроенные в систему Матьав (процедуры вычисления #2,#оо норм передаточных функций).

Показано, что предложенный алгоритм синтеза робастного фильтра во временной области не противоречит существующему частотному алгоритму и дополняет его новыми возможностями. Оба алгоритма обеспечивают одинаковую потенциально достижимую верхнюю оценку для дисперсии ошибки.

Таким образом, разработанный алгоритм оценивания сигналов с ограниченными дисперсиями производных упрощает процедуру синтеза робастного фильтра, делает ее более удобной для разработчиков и расширяет возможности использования предлагаемого робастного подхода в практических задачах.

4. С использованием нового алгоритма получены аналитические решения задачи оценивания для различных комбинаций ограничений дисперсий сигнала и его двух первых производных.

Продемонстрирована методика, с помощью которой можно решить задачу робастной фильтрации во многих других ситуациях. Отметим, что аналогов полученных с использованием нового алгоритма аналитических решений для случаев ограничений нескольких дисперсий производных в частотной области не существует.

5. Разработан удобный для практического применения графический метод анализа влияния на точность оценивания каждой из ограниченных дисперсий производных, основанный на построении логарифмических спектральных плотностей.

6. Исследованы свойства робастного фильтра и сформулированы рекомендации относительно построения эффективных и надежных алгоритмов оценивания сигналов.

Выявлено, что фильтр, построенный при ограничении только на дисперсию п-ой производной, настраивается на нестационарную модель входного сигнала в виде «-кратно проинтегрированного белого шума.

Рекомендации относительно построения эффективных и надежных алгоритмов оценивания сигналов заключаются в том, чтобы выделить наиболее значимую из ограниченных дисперсий производных и синтезировать фильтр, используя лишь эту числовую характеристику. При этом усиливаются гарантирующие свойства фильтра, и повышается его надежность, поскольку фильтр фактически настраивается на нестационарную модель сигнала в виде проинтегрированного белого шума.

7. Предложено решение задачи авиационной гравиметрии с позиции роба-стного подхода.

В этом случае априорная информация об аномалии УСТ представлялась в виде двух параметров: ограничений на дисперсии аномалии и ее производной. Проведенные исследования выявили, что в рассмотренных примерах с реальными значениями числовых данных знание величины дисперсии аномалии практически не влияет на точность оценивания, и, таким образом, при синтезе фильтра можно ограничиться только одним параметром (дисперсией производной аномалии). Показано, что робастный фильтр гарантирует приемлемую точность оценивания аномалии УСТ и, поскольку фактически представляет собой классический низкочастотный фильтр, обеспечивает эффективное и надежное оценивание аномалии УСТ при работе в реальных условиях.

В целом найденное в работе представление исходной задачи в пространстве состояний и обоснование ее решения на основе Нп! оптимизации передаточной функции открывает возможности для различного рода модификаций и усложнений исходной задачи, а также для построения нестационарного фильтра. Поэтому к направлениям для дальнейших исследований в первую очередь следует отнести: решение задачи оценивания, когда дисперсии производных характеризуют не только оцениваемый сигнал, но и шум измеренияразработку эффективного алгоритма для поиска минимума целевой функции оптимизациирешение задачи оценивания в дискретном временипостроение нестационарного фильтра.

Практическая значимость работы.

1. Разработанный алгоритм оценивания сигналов при ограничениях на дисперсии их производных упрощает процедуру синтеза робастного фильтра и расширяет область применения рассматриваемого робастного подхода.

2. Представленный метод анализа влияния на точность оценивания каждой из ограниченных дисперсий производных показал, что зачастую лишь одна из них обеспечивает эту точность, в то время как ограничениями на остальные можно пренебречь. Это позволяет строить эффективные и надежные алгоритмы оценивания. Идея заключается в синтезе фильтра на основе одной значимой дисперсии производной, что усиливает его гарантирующие свойства и делает его малочувствительным в смысле точности оценивания к расстройкам в исходной модели, поскольку фильтр фактически настраивается на нестационарную модель сигнала в виде проинтегрированного белого шума.

3. Предложенный алгоритм робастного оценивания был успешно применен для решения задачи авиационной гравиметрии при ограничениях на дисперсии аномалии и ее производной. Показано, что робастный алгоритм гарантирует приемлемую точность оценивания аномалии и обеспечивает эффективное и надежное оценивание при работе в реальных условиях.

4. Найденное представление исходной задачи в пространстве состояний и обоснование ее решения на основе Н21Нт оптимизации передаточной функции открывают возможности для различного рода модификаций и усложнений исходной задачи, а также для построения нестационарного фильтра.

Апробация работы и реализация результатов.

Основные научные и практические результаты по теме диссертации докладывались и обсуждались на IV и VI конф. молодых ученых «Навигация и управление движением» (Санкт-Петербург, 2002 и 2004 гг.), на заседании научно-методической комиссии ФГУП ЦНИИ «Электроприбор» (Санкт-Петербург, 23.04.04), на Шестой, Седьмой и Восьмой научных сессиях аспирантов ГУАП (Санкт-Петербург, 2003;2005 гг.), на 10-й Межд. студенческой олимпиаде по автоматическому управлению ВОАС'2004 (Санкт-Петербург, 2004 г.), на 16-м симпозиуме ИФАК по автоматическому управлению в аэрокосмических системах (Санкт-Петербург, 2004 г.), а также на 16-м Всемирном Конгрессе ИФАК (Прага, 2005).

Результаты диссертационной работы использованы при выполнении НИР по гранту Минобрнауки РФ «Сопоставительный анализ робастных и оптимальных алгоритмов оценивания» № 53−3-661−1 и внедрены в ОАО НПП «Радар ММС» по НИР «Интеграция 1» в области создания радиоэлектронных следящих систем.

Внедрение результатов диссертационной работы подтверждено соответствующими актами, копии которых даны в приложениях к диссертации.

Публикации. По материалам диссертации опубликовано 7 печатных работ.

Структура и объем диссертаиии. Диссертация состоит из введения, пяти глав, заключения, библиографического списка из 107 наименований, приложений. Диссертация изложена на 152 страницах, содержит 22 рисунка и 7 таблиц.

Заключение

.

В работе решена задача стационарной фильтрации сигнала с ограниченными дисперсиями производных на фоне белого шума с использованием новой предложенной в диссертационной работе идеи. В рамках достижения поставленной цели были решены такие важные задачи, как формулирование исходной проблемы в пространстве состояний, выбор критерия оптимальности фильтра, обоснование структуры робастного фильтра, поиск удобного алгоритма синтеза фильтра. Новый алгоритм позволил найти готовые решения для распространенных на практике случаев и обнаружить не выявленные раньше свойства робастного фильтра.

Показать весь текст

Список литературы

  1. Л.В., Боярский Э. А. Дробышев Н.В., Конешов В. Н. О погрешностях «портретов» гравиметрических аномалий, полученных по измерениям с воздуха / Геофизический вестник. 2002. № 4. С. 13−15.
  2. Н.В., Макшанов A.B., Мусаев A.A. Робастные методы статистического анализа навигационной информации / Под ред. И. Б. Челпанова. Л.: ЦНИИ «Румб», 1985.
  3. . Методы оптимизации. Вводный курс. М.: Радио и связь, 1988.
  4. А.Е., Первозванский A.A. Оптимизация по равномерно частотным показателям (Н-теория) // Автоматика и телемеханика. 1992. № 9. С. 3−18.
  5. . В.А., и др. Радиоавтоматика: Учеб. пособие для студ. вузов спец. «Радиотехника» / В. А. Бесекерский, A.A. Елисеев, A.B. Небылов и др.- Под ред. В. А. Бесекерского.- М.: Высш. шк., 1985.
  6. В.А., Небылов A.B. Робастные системы автоматического управления. М.: Наука, 1983.
  7. В.А. Динамический синтез систем автоматического регулирования. М.: Наука, 1970.
  8. В.А. Цифровые автоматические системы. М.: Наука, 1976.
  9. Ю.В., Голован АА., Парусников H.A. Математические модели аэрогравиметрических систем на базе корректируемого гироинрециального блока//Вестн. Моск. Ун-та. Сер 1, Математика. Механика. 2003. № 4.
  10. Ван Трис. Г. Теория обнаружения, оценок и модуляции / Пер. с англ. под ред. проф. В. И. Тихонова. М.: Энергия, 1973.
  11. Грушинский. Основы гравиметрии. -М.: Наука, 1983.
  12. С.П. Высокоточная морская навигация,— СПб.: Судостроение, 1991.
  13. СЛ., Пелевин А. Е. Задачи навигации и управления при стабилизации судна на траектории. Изд. 2-е перераб.- СПб.: ГНЦ РФ ЦНИИ «Электроприбор», 2004.
  14. СЛ., Литвиненко Ю. А. Гарантирующая настройка фильтра Калмана при неопределенности параметров модели погрешности навигационных систем //Научно-технический журнал «Гироскопия и навигация». 2005. № 1.С. 58−68.
  15. Дьяконов В. MATLAB 6: учебный курс. СПБ.: Питер, 2001.
  16. A.A. Методы синтеза линейных систем управления низкой чувствительности. -М.: Советское радио, 1981.
  17. Л. К. Отечественные аэрогравиметрические комплексы // Разведка и охрана недр. декабрь 2002.
  18. Л. К., Конешов В. И. Современные методы изучения гравитационного поля мирового океана. СПб.: ГНЦ РФ — ЦНИИ «Электроприбор», 2002. С. 9−13.
  19. Л.К., Конешов В. Н., Попов Е. И., Несенюк Л. П., Пещехонов В. Г. и др. Создание и внедрение гравиметров двойного назначения для измерений с морских и воздушных носителей // Научно-технический журнал «Гироскопия и навигация». 2004. № 1. С. 149 152.
  20. Р.И., Игнатов A.A. Теория чувствительности в задачах управления и оценки. JL: ЦНИИ «Румб», 1986.
  21. Д. С. Об оптимальной фильтрации по минимаксному критерию //• Изв. АН СССР. Техническая кибернетика. 1966. № 5. С. 137−144.
  22. Исследование эффективности использования алгоритмов робастной фильтрации: Отчет по стажировке аспиранта ГУАП Кулаковой В. И. за период с 01.11.03 по 30.04.04 / Руководитель O.A. Степанов. ЦНИИ «Электроприбор», 2004. 68 с.
  23. С. А., Пур Г.В. Робастные методы обработки сигналов: Обзор // ТИИЭР. 1985. Т. 73. № 3. С. 54−100.
  24. . Г., Корн Т. Справочник по математике для научных работников иинженеров / Пер. с англ. -М: Наука, 1968.
  25. Ю.Б., Куркин О. Б. Линейная минимаксная фильтрация стационарного случайного процесса в условиях априорной частичной неопределённости относительно спектральной плотности // Автоматика и телемеханика. 1986. № 8. -С. 25−33.
  26. М. Г. Идеи П.Л. Чебышева и A.A. Маркова в теории предельных величин интегралов и их дальнейшее развитие // Успехи математических на1 ук. 1951. Т.6. вып. 4(44). С. 3−120.
  27. В. И. Решение задачи авиационной гравиметрии при неполной априорной информации о модели аномалий // Труды VI конференции молодых ученых «Навигация и управление движением» -СПб.: ГНЦ РФ —
  28. ЦНИИ «Электроприбор». 2005. С. 99−105.
  29. А.Б. Управление и наблюдение в условиях неопределенности. -М: Наука, 1977.
  30. О.М., Коробочкин Ю. Б., Шаталое С. А. Минимаксная обработка информации. М.: Энергоатомиздат, 1990.
  31. . Р. Теоретические основы статистической радиотехники. В трех книгах. -М.: Советское радио, 1975.
  32. МедичДж. Статистические оптимальные линейные оценки и управление / Пер. с англ. под ред. A.C. Шаталова. М.: Советское Радио, 1972.
  33. Методы классической и современной теории автоматического управления: Учебник в 3-х т. / Под ред. Н. Д. Егупова.- М.: Изд-во МГТУ им. Н. Э. Баумана, 2000.
  34. Г. Б., Поиков А. Р. Фильтрация случайного процесса в статистически неопределенной линейной стохастической системе // Автоматшса и телемеханика. 2005. № 1.
  35. A.B. Гарантирование точности управления. -М.: Наука. Физмат-лит, 1998.
  36. А. В. Измерение параметров полета вблизи морской поверхности. СПбГААП. СПб., 1994.
  37. А. В. Робастные алгоритмы комплектования дискретного позиционного датчика и непрерывного датчшса ускорений // Автоматика и телемеханика. 1994. № 5. С. 56−65.
  38. Л.П. Аналитические инженерные методы синтеза оптимальных линейных фильтров: Материалы школы «Математическая теория навигации и управлении движущимися объектами». —М.: Издво МГУ, 1983. -С. 27−29.
  39. Л.П., ЧелпановИ.Б. Структурные и частотные методы синтеза оптимальных преобразований в навигационных системах. JL: ЦНИИ «Румб», 1994.-55с.
  40. В. Л. Основы морской гравиметрии,— М.: Недра, 1983.
  41. А.Е. Наблюдаемость состояния для стохастических систем с ин-тервально заданной матрицей динамики // Научно-технический журнал «Гироскопия и навигация». 1998. № 4.
  42. .Т., Щербаков П. С. Робастная устойчивость и управление. М.: Наука, 2002.
  43. Ю.В., Розанов Ю. А. Теория вероятностей. М.: Наука, 1973.
  44. С.С., Ивановский Р. И., Костров A.B. Статистическая оптимизация навигационных систем. Л.: Судостроение, 1976.
  45. E.H. Линейная теория цифрового управления в непрерывном времени. -М.: Наука, 1994.
  46. E.H., Юсупов Е. М. Чувствительность систем управления. —М.: Наука, 1981.
  47. A.A. Прикладные методы теорий случайных функций. -Л.: СУДПРОМГИЗ, 1961.
  48. O.A. Связь алгоритмов оптимальной стационарной фильтрации и сглаживания // Научно-технический журнал «Гироскопия и навигация». 2004. № 1.С. 16−27.
  49. В.И., Хименко В. И. Выбросы траекторий случайных процессов. -М.: Наука, 1987.
  50. В.А. Гарантированное оценивание состояния динамических систем в условиях неопределенности описания возмущений и ошибок измерений // Научно-технический журнал «Гироскопия и навигация». 2005. № 2. С. 47−55.
  51. В.А. Использование винеровских моделей для описания уходов гироскопов и ошибок измерения в задаче оценивания состояния инерци-альных навигационных систем // Научно-технический журнал «Гироскопия и навигация». 2002. № 3. С. 23−32.
  52. В.И. О нормированных спектральных моментах стационарных случайных процессов // Известия высших учебных заведений. Радиофизика. 1976. Т. XIX. № 8. С. 1188−1192.
  53. ЯЗ., Позняк A.C. Оптимальные и робастные алгоритмы оптимизации при наличии коррелированных помех // Доклады АН СССР. 1981. Т. 258. № 6. С. 1330−1333.
  54. И.Б., Несенюк Л. П., Брагинский М. В. Расчет характеристик навигационных гироприборов.- Л.: Судостроение, 1978.
  55. Ф. Л. Оптимальные гарантированные оценки неопределенности с помощью эллипсоидов, I, II, III // Изв. АН СССР. Техническая кибернетика. 1980. № 3, 4, 5.
  56. Abdelmoula F. Ein Beitrag zur Bestimmung der Erdbeschleunigungsanomalien an Bord eines Flugzeuges. Aachen: Shaker. 2000 (Berichte aus der Luft-und Raumfahrttechnik) Zugl.: Braunschweig, Techn., Univ.
  57. Bernstein D., Haddad W. Steady-state Kaiman filtering with an Нж error bound // Syst. Contr. Lett. 1989. V. 12. P. 9−16.
  58. Bolotin Y. V., Golovan A.A., Parusnikov N.A. Off-line processing tasks for iner-tial gravimetry system GT-1A // Proc. of the 9th Saint-Peterburg International Conference on Integrated Navigation Systems. 2002
  59. С. E. de Souza, Shaked U., Fu M. Robust Яю filtering for continuous time varying uncertain systems with deterministic input signal // IEEE Trans. Signal Proc. 1995. V. 43, P. 709−719.
  60. Chung R.C., Belanger P.R. Minimum-sensitivity filter for linear time-invariant stochastic systems with uncertain parameters // IEEE Trans. Automatic Control. 1976. V. AC. P. 98−100.
  61. D 'Appolito J. A., Hutchinson С. E. Low sensitivity filter for state estimation in the presence of large parameter uncertainties // IEEE Trans. Automatic Control. 1969. V. AC-14. P. 310−312.
  62. Doyle J. C., Glover K., Khargonelmr P. P., Francis B. A. State-space solutions to standard Я2 and Ffm control problems // IEEE Trans. Auto. Control. 1989. V. 34. P. 831−847.
  63. Fu M., C.E. de Souza, Zhi-Quan L. Finite-horizon robust Kaiman filter design // IEEE Trans. Signal Proc. 2001. V. 49(9). P. 2103−2112.
  64. Geromel J. C. Optimal linear filtering under parameter uncertainty // IEEE Trans. Signal Processing. 1999. V. 47(1). P. 168−175.
  65. Geromel J. C. Robust filter design for uncertain systems defined by both hard and soft bounds // IEEE Trans. Signal Processing. 1996. V. 44 (5). P. 10 631 071.
  66. Grimble M.J., Elsayed A. Solution of the Яет optimal linear filtering problem for discrete-time systems // IEEE Trans. Acoustics, Speech, Signal Processing. 1990. V. 38. P. 1092−1104.
  67. Haddad W., Berstein D., Mustafa D. Mixed-norm H2/H," regulation and estimation: the discrete-time case // Syst. Contr. Lett. 1991. V. 16. P. 235−247.
  68. Haide В., Hassibi B, Kailath T. Mixed H2/Hm estimation: preliminary analytic characterizations and a numerical solution // Proc. of the 1996 IFAC World Congress (San Francisco, CA). 1996.
  69. Haider В., Hassibi В., Kailath T. State-space structure of finite-horizon mixed H2/Ha filters // Proc. American Control Conference (Albuquerque, NM). 1997.
  70. Hassibi В., Kailath T. On nonlinear filters for mixed Я2/Ягоеstimation // Proc. American Control Conference (Albuquerque). 1997.
  71. Hassibi В., Kailath T. Tracking with an H-infinity criterion // Proc. of the 37th IEEE Conference on Decision and Control. 1997. P. 3594−3599.
  72. Jordan S.K. Self-consistent statistical models for gravity anomaly and undulation of the geoid// Geophys. Res. 1972. V. 77. No 20. P. 3660- 3670.
  73. Kalinichenko V.N., Nebylov A. V. Guaranteeing the filtering accuracy for non-stationary processes with bounded dispersions of derivatives // The 1st IFAC International Symposium on System Structure and Control (Prague). 2001.
  74. Kennedy S.L. Precise acceleration determination from carrier-phase measurements // Journal of the Institute of navigation. 2003. V. 50. No. 1.
  75. Khargonekar P. P., Rotea M. A., Baeyens E. Mixed Я2/Яот filtering // Internal J. Robust Nonlinear Control. 1996. V. 6(4). P. 313−330.
  76. Khargonekar P., Rotea M. Mixed Я2/Яот filtering // Proc. IEEE CDC'92. 1992. P. 2299−2304.
  77. Kulakova V.I. Robust and optimal solutions comparison for the airborne gravim-etry problem // Proc. of the 10th International Student Olympiad on Automatic Control (Baltic Olympiad). St. Petersburg, Russia. May 26−28, 2004. P. 199−203.
  78. Kulakova V.l., Nebylov A. V., Stepanov O.A. Application of the robust approach to the problem of airborne gravimetry // Proc. 16th IFAC Symposium on Automatic Control in Aerospace (St. Petersburg), 2004. P. 907−912.
  79. Kulakova V.l., Nebylov A. V., Stepanov O.A. Robust estimation versus optimal estimation and their application for airborne gravimetry // 16th IFAC World Congress (July, Prague), 2005.
  80. Leondes C., Pearson J. A minimax filter for systems with a large plant uncertainties // IEEE Trans. Automatic Control. 1972. V. AC-17(2).
  81. Li H., Fu M. A linear matrix inequality approach to robust До filtering // IEEE Trans. Signal Processing. 1997. V. 45. P. 2338−2350.
  82. Megretski A. On the order of optimal controllers in the mixed Я2/#со control // Proc. CDC-94. 1994. P. 3173−3174.
  83. Nagpal K.M., Khargonekar P.P. Filtering and smoothing in an Иш setting // IEEE Trans. Auto. Control. 1991. V. AC-36. P. 152−166.
  84. Nebylov A. V. Ensuring control accuracy // Lecture Notes in Control and Information Sciences, 305, Springer-Verlag, Heidelberg, Germany. 2004
  85. Olesen A. V., Forsberg R., Keller K., Gidskehaug A.G. Airborne Gravity Survey of The Polar Sea North of Greenland // EAGE 61st Conference and Technical Exhibition (Helsinki, Finland). 1999.
  86. Petersen I. R., MacFarlane C. Optimal guaranteed cost filtering for uncertain discrete-time systems // IEEE Trans. Automat. Control. 1996. V. 6. P. 267−280.
  87. Rotstein H., Sznaier M. H2/Hm filtering theory and an aerospace application // Internat. J. Robust Nonlinear Control. 1996. V. 6(4). P. 347−366.
  88. Sayed A.H. A framework for state space estimation with uncertain models // IEEE Trans. Automatic Control. 2001. V. 46(7). P. 998−1013.
  89. U., С. E. de Souza. Robust minimum variance filtering // IEEE Trans. Signal Processing. 1995. V. 43(11). P. 2474−2483.
  90. U., Theodor Y. //"-optimal estimation: A tutorial //Proc. 31st IEEE CDC. 1992. P. 2278−2286.
  91. Shen X., Deng L. A dynamic system approach to speech enhancement using the-filtering algorithm // IEEE Trans. Speech and Audio Processing. 1999. V. 7(4). P. 391−399.
  92. Sznaier M. An exact solution to general SISO mixed H2I Hm problems via convex optimization // IEEE Trans. Auto. Control. 1995. V. AC-39(12). P. 25 112 517.
  93. Theodor Y., Shaked U. A dynamic game approach to mixed H2/Hm estimation // Internal J. Robust Nonlinear Control. 1996. V. 6(4). P. 331−345.
  94. Theodor Y, Shaked U. Robust discrete-time minimum variance filtering // IEEE Trans. Signal Processing. 1996. V. 44(2). P. 181−189.
  95. Y., Shaked U., С. E. de Souza. A game theory approach to robust discrete-time-estimation // IEEE Trans. Signal Processing. 1994. V. 42. P. 1486−1495.
  96. Wang J., Dwaik F., Jekeli C. INS, GPS, and photogrammetry integration for vector gravimetry // Proceedings of the International symposium on kinematic systems in geodesy, geomatics and navigation (Banff, Canada, June 3−6) 1997.
  97. Wang Z., Huang В. Robust H2IHX filtering for linear Systems with error variance constraints // IEEE Trans. Signal Proc. 2000. V. 48 (8). P. 2463−2467.
  98. Wang Z, Unbehauen H. Robust Я2/Яю state estimation for systems with error variance constraints: the continuous-time case // IEEE Trans. Auto. Control. 1999. V. AC-44(5).
  99. Wang Z., Unbehauen H. Robust H2IHX state estimation for discrete-time systems with variance constraints // IEEE Trans. Auto. Control. 1997. V. AC-42(10). P. 1431−1435.
  100. X/e L., Soh Y.C., С. E. de Souza. Robust Kalman filtering for uncertain discrete-time systems // IEEE Trans. Automat. Control. 1994. V. AC-39. P. 1310−1314.
  101. Zhou K., Glover K., Bodenheimer В., Doyle J. Mixed H2 and Нш performance objectives I: Robust performance analysis // IEEE Transactions on Automatic Control. 1994. V. 39(8). P. 1564−1574.
Заполнить форму текущей работой

Сессия? Спокойно!