2.6. Векторный фильтр Калмана
Возможности применения рассматриваемых методов калмановской фильтрации значительно расширяются при переходе к многомерным системам. Вместе с тем для получения основных уравнений рекуррентного оценивания векторных СП достаточно повторить преобразования, уже выполненные при выводе алгоритма (2.35). Поэтому остановимся лишь на некоторых особенностях синтеза многомерного фильтра.
Для описания -мерной информационной СП воспользуемся векторным авторегрессионным уравнением (1.48): .
Оценка СП производится на основе анализа последовательности - мерных наблюдений
(2.38)
где -матрица; -мерная некоррелированная гауссовская СП с нулевым средним и .
Записывая рекуррентную процедуру формирования оценки в виде аналогичном (2.33), найдем следующее выражение для ошибки фильтрации , где – единичная диагональная матрица. Оптимизация оценки связана с поиском матриц , для которых минимальна ковариационная матрица ошибок фильтрации:
, (2.39)
где -матрица; . Анализ (2.39) показывает, что наилучшим является выбор . Обозначая минимальное значение через , можно записать уравнение для рекуррентной оценки CП в виде:
, (2.40)
,
где 
.
Применение алгоритма (2.40) предполагает нахождение обратной матрицы размером на каждом шаге фильтрации. В некоторых случаях удобно использовать другую форму представления коэффициентов
, (2.41)
для которой размер обращаемой матрицы составляет элементов. С помощью непосредственной подстановки нетрудно убедиться в тождественности вычислений матриц и по формулам (2.40) и (2.41).
Полученные результаты (2.40), (2.41) обобщают алгоритм фильтрации (2.35), (2.36) скалярной последовательности. Сравнение этих выражений показывает, что структура фильтра Калмана и наиболее существенные особенности процесса рекуррентного оценивания сохраняются и в многомерном случае. В частности, разность следует рассматривать как векторный сигнал ошибки, который взвешивается с учетом соотношения элементов ковариационных матриц ошибок фильтрации и помехи и добавляется к прогнозированному значению оцениваемого -мерного параметра .
В заключение рассмотрим задачу рекуррентного оценивания изменяющегося параметра , заданного уравнениями
, (2.42)
аналогичными (2.32). При этой оценка параметра осуществляется на основе наблюдений . Для решения поставленной задачи введем вектор информационных параметров и запишем модель наблюдений в виде: , где . Уравнения (2.42) также представим в векторной форме , где ; ; .
Введенные обозначения дают возможность применить формулы (2.40) для построения алгоритма фильтрации CП . Раскрывая векторные обозначения в (2.40), можно представить рекуррентные оценки параметров в виде:
,

Рис. 2.7. Реализации случайных последовательностей
где и – элементы ковариационной матрицы ошибок . Характерные реализации СП и , полученные с помощью вычислений по найденным формулам при , приведены на рис. 2.7. По мере увеличения количества шагов оценивания дисперсии ошибок фильтрации (2.40) убывают так же, как и в одномерном случае (рис.2.5,а), стремясь к некоторым предельным значениям.
|