this is for holding javascript data
Vladislav Basimov edited text_xi__k_begin_equation__.tex
almost 8 years ago
Commit id: 2bf71f37e7dfa8d96d0393469f533bf6aab520ae
deletions | additions
diff --git a/text_xi__k_begin_equation__.tex b/text_xi__k_begin_equation__.tex
index 698f4f1..fd75e8c 100644
--- a/text_xi__k_begin_equation__.tex
+++ b/text_xi__k_begin_equation__.tex
...
\begin{equation}
x_{k} = a\cdot x(k-1)+(k-1)\cdot sin(k-1) + \xi_{k-1}\nonumber \\
\end{equation}
\text {Данное выражение можно переписать как:}
\begin{equation}
x_{k+1} = a\cdot x(k)+(k)\cdot sin(k) + \xi_{k}\nonumber \\
\end{equation}
\text {
Микрофон при записи данных может накладывать свои помехи на входящий сигнал. Например, скачки напряжения, высокий износ микрофона, порождающий ненужные возмущения диафрагмы микрофона. По этой причине, на вход подается сигнал с помехами наблюдения $\eta_{k}$:
}
\begin{equation}
y_{k} = b\cdot x_{k}+ \eta_{k}\nonumber \\
\end{equation}
\text {
где $b = 0.93$. Задача состоит в том, чтобы по некоторым не совсем верным показаниям сенсора $z_{k}$ найти хорошее приближение для истинного вида амплитуды входящего сигнала $x_{k}$, которое обозначим $x_{k}^{opt}$.
Уравнения \\Уравнения для значения амплитуды и показания сенсора будут иметь следующий вид:
}
\begin{equation}
\label{sys1}
...
y_{k} = b\cdot x_{k}+\eta_{k}
\end{matrix}\right.\tag{1}
\end{equation}
\text {
где $u_{k}$ - это известная величина, контролирующая эволюцию системы, известная по построенной физической модели, $\xi_{k}$ - ошибка модели (случайная величина), $\eta_{k}$ - ошибка сенсора (случайная величина)
\\Нам известно:}
\begin{itemize}
\item cредние значения ошибок равны нулю: $E\xi_{k} = E\eta_{k} = 0$;
\item известны дисперсии случайных величин, которые не зависят от $k$: $\sigma_{\xi}^2$ и $\sigma_{\eta}^2$
\item все случайные ошибки независимы друг от друга.щз
\end{itemize}
\text {
Для описания работы алгоритма возьмем $k$-й шаг шаг и предположим, что для него уже найдено $x_{k}^{opt}$ - значение, отфильтрованное фильтром Калмана, и которое довольно хорошо приближает истинное значение амплитуды. Поскольку заранее известно управление $u$ из вашеописанной системы уравнений, то можно предположить, что на следующем шаге система изменится согласно этому закону и значение с сенсора будут близки к $x_{k}^{opt} + u_{k}$.
}
\textbf{
Идея Калмана:
}
\textit{
необходимо получить наилучшее приближение к истинному значению амплитуды $x_{k+1}$. Для этого нужно выбрать "золотую середину" между показанием неточного сенсора и ожидаемым значением.
}
\text {
Для этого введем Коэффициент Калмана $K$, который зависит от шага итерации. Показанию сенсора будет соответствовать вес $K_{k+1}$, а предсказанному значению $1-K_{k+1}$:
}
\begin{equation}
{x_{k+1}^{opt} = K_{k+1} + y_{k+1} + (1-K_{k+1})\cdot(x_{k}^{opt} + u_{k})\tag{2}}
\end{equation}
\text {
Необходимо выбрать коэффициент Калмана $K_{k+1}$ таким, чтобы получившееся оптимальное значение амплитуды $x_{k+1}^{opt}$ было бы наиболее близко к истинному.
\\В общем случае, для нахождения значения коэффициента Калмана необходимо минимизировать ошибку:
...
\begin{equation}
{e_{k+1} = x_{k+1}-x_{k+1}^{opt}} \nonumber \\
\end{equation}
\text {
Подставляя данное выражение в (2) получаем:
}
\begin{equation} \nonumber \\
{e_{k+1} = (1-K_{k+1})(e_{k+1}+\xi_{k+1})-K_{k+1}\cdot\eta_{k+1}}\nonumber \\
\end{equation}
\text {
Для минимизации ошибки будем минимизировать среднее значение от квадрата ошибки:
}
...
\text {
Выражение выше принимает минимальное значение в том случае, когда производная равна нулю:
}
\begin{equation}
{-2\cdot(1-K_{k+1})\cdot(Ee^{2}_{k}+\sigma_{\xi}^2)+2\cdot K_{k+1}\cdot \sigma_{\eta}^2=0}\nonumber \\
\end{equation}
\text {
Раскрываем скобки:
}
\begin{equation}
{-Ee^{2}_{k}–\sigma_{\xi}^2+K_{k+1}\cdot Ee^{2}_{k}+K_{k+1}\cdot \sigma_{\xi}+K_{k+1}\cdot \sigma_{\eta}^2=0}\nonumber \\
\end{equation}
\text {
Коэффициент Калмана примет следующий вид:
}
\begin{equation}
K_{k+1}=\frac{Ee^{2}_{k} + \sigma_{\xi}^2}{Ee^{2}_{k} + \sigma_{\xi}^2 + \sigma_{\eta}^2}\nonumber \\
\end{equation}