this is for holding javascript data
JackXavier edited untitled.tex
almost 8 years ago
Commit id: 78a941565cacfbe7c815664df8d0775c616c9af4
deletions | additions
diff --git a/untitled.tex b/untitled.tex
index fa8d250..f9cdd25 100644
--- a/untitled.tex
+++ b/untitled.tex
...
\section{Симуляция работы фильтра}
Предположим, что входной сигнал
описывает авторегрессионный процесс первого порядка:
\begin{equation}\label{lab1}
x_{t} = \phi \cdot x_{t-1} + u \cdot t + \upsilon_{t} = 0,26 \cdot x_{t-1} + 0,8 \cdot t + \upsilon_{t} ,
\end{equation}
где $\upsilon_{t} \sim N(0,1)$ -
коэффициент зашумленности некоторая помеха сигнала - произвольная случайная величина. Уравнение наблюдение будет выглядеть следующим образом:
\begin{equation}\label{lab2}
y_{t} = \gamma \cdot x_{t} + \epsilon_{t} = 0,72 \cdot x_{t} + \epsilon_{t} ,
\end{equation}
где $\epsilon_{t} \sim N(0,1)$ также случайная величина
(шум (помеха при наблюдении). Более того предполагается, что
ошибки помехи наблюдения и сигнала некоррелированы ( т.е $E(\epsilon_{t-i} \upsilon_{t-j} , \forall i,j)$ ).
Основываясь на начальной оценке Учитывая первоначальную оценку сигнала и
дисперсии начального отклонения предсказания, мы сможем рассмотреть работу данной модели на конкретных данных и посчитать результат фильтрации.
Сначала необходимо посчитать Прежде всего заметим, что усиление
Калмана(Kalman Gain), дисперсию предсказания Калмана (Kalman Gain) и дисперсии прогнозирования (prediction variable) и
дисперсию оценки (estimation variable). оценки(estimation variable) имеют схожий характер. Усиление Калмана представляет собой следующее выражение:
\begin{gather*} \begin{gather*}\label{lab3}
\\
K_{t} = \frac{\gamma \cdot S_{t}}{\gamma^2 \cdot S_{t} + \sigma^2_{\epsilon}}
\\
\end{gather*}
где $S_{t} $
- дисперсия ошибки в предсказании $x_{t}$ в момент $t-1$, и определяется следующим выражением:
\begin{gather*}
\\
S_{t} = \phi^2 \cdot p^e_{t-1} + \sigma^2_{\upsilon}