Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Описание алгоритма расширенного фильтра Калмана
Фильтр Калмана представляет собой математический аппарат, позволяющий проводить фильтрацию данных, поступающих в реальном времени, не накапливая их для анализа [10]. Данный метод проводит предсказание поведения сигнала s (t) по имеющимся наблюдениям y (t), содержащим ошибку v (t) таким образом, что y (t) = s (t) + v (t), где t – номер отсчёта по временной координате. Процесс называется фильтрацией в силу того, что получаемые данные содержат в себе шумы, от которых необходимо избавиться для получения наилучшей оценки исходного сигнала s (t) [11]. Касаемо модели сигнала, описанной в уравнении (1), важно отметить, что косинус является нелинейной функцией[НБ4], поэтому классический линейный фильтр Калмана также неприменим для данной модели сигнала. При известной априорной модели нелинейного сигнала удобно использовать нелинейный (расширенный) фильтр Калмана, но помимо него существуют и другие методы для обработки таких сигналов, например, последовательный метод Монте-Карло (ПММК). Однако сравнение времени выполнения двух данных методов в системе ОКТ показало, что расширенный фильтр Калмана работает быстрее вне зависимости от размера входных данных [12]. Преимущество ПММК перед фильтром Калмана состоит в том, что он более адаптивен к изменению входных данных и при использовании в ОКТ не теряется качество выходных изображений, но в рамках данной работы более приоритетны скорость и вычислительная сложность алгоритма. Исходя из перечисленных выше факторов, расширенный фильтр Калмана был выбран для исследования в этой работе. Фильтр Калмана основан на дискретизированных по времени линейных динамических системах. Такие системы можно смоделировать с помощью Марковских цепей при помощи линейных операторов и слагаемых с нормальным распределением [13]. Состояние системы описывается вектором конечной размерности — вектором состояния. В каждый такт времени линейный оператор действует на вектор состояния и переводит его в другой вектор состояния, добавляется некоторый вектор нормального шума и в общем случае вектор управления, моделирующий воздействие системы управления [14]. Вектор состояния содержит в себе компоненты интерферометрического сигнала, модель которого описана в первой главе. Набор параметров в уравнении (1) можно преобразовать в вектор состояния, он будет выглядеть следующим образом:
, (3) где – компонента оценки фоновой составляющей сигнала, – компонента оценки амплитуды, – компонента оценки фазы. Далее вводятся компоненты для оценивания всех необходимых составляющих сигнала: вектор компонентов из уравнения (2), содержащий 3 элемента, описанных выше – оценки компонент амплитуды, фона и фазы. При инициализации алгоритма данные компоненты оценок представляют собой вектора, размерность которых соответствует размерности исходного сигнала, а начальные значения данных компонент равны нулю. На k -ом шаге работы алгоритма вектор состояния рассчитывается по следующей формуле:
(4)
где – предсказанное значение, определяемое как = f ( [НБ5] – значение исходного сигнала на k-ом шаге; – матричный коэффициент усиления фильтра, определяющий вклад невязки наблюдения и предсказания в оценку вектора параметров. Коэффициент усиления вычисляется следующим образом: , (5) где – предсказание ковариационной матрицы ошибок, – ковариационная матрица шума наблюдения, а – матрица первых производных функции h (θ) по компонентам исходного сигнала [15]. Рассчитанная матрица H представлена следующим образом: . (6) Компоненты предсказания ковариационной матрицы ошибок и ковариационной матрицы шума наблюдения, содержащиеся в уравнении (4), определяют вклад каждой оценки компоненты вектора параметров , то есть, какую из компонент вектора параметров фильтр обрабатывает в большей степени. Ковариационная матрица ошибок описана следующим образом:
= , (7) где дисперсия оценки компоненты фона, – дисперсия оценки компоненты амплитуды, – дисперсия оценки компоненты фазы. Ковариационная матрица шума наблюдения представлена в виде матрицы единичной размерности.
|
||||||
Последнее изменение этой страницы: 2021-04-12; просмотров: 42; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.129.70.157 (0.007 с.) |