this is for holding javascript data
Vladislav Basimov edited text_xi__k_begin_equation__.tex
almost 8 years ago
Commit id: 464ba7a4d2c5b0cf01601e2697de86c851a0c1ab
deletions | additions
diff --git a/text_xi__k_begin_equation__.tex b/text_xi__k_begin_equation__.tex
index 0839e35..a861d7c 100644
--- a/text_xi__k_begin_equation__.tex
+++ b/text_xi__k_begin_equation__.tex
...
\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.}\cite{Kalman_filter} \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} {x_{k+1}^{opt} = K_{k+1} + y_{k+1} + (1-K_{k+1})\cdot(x_{k}^{opt} +
u_{k})\tag{2} 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 . истинному.
\\В общем случае, для нахождения значения коэффициента Калмана необходимо минимизировать ошибку:
}
В общем случае, для нахождения значения коэффициента Калмана необходимо минимизировать ошибку: \begin{equation}
e_{k+1} {e_{k+1} =
x_{k+1}-x_{k+1}^{opt}. x_{k+1}-x_{k+1}^{opt}} \nonumber \\
\end{equation}
\text {
Подставляя данное выражение в (2) получаем:
}
\begin{equation} \nonumber \\
e_{k+1} {e_{k+1} =
(1-K_{k+1})(e_{k+1}+\xi_{k+1})-K_{k+1}\cdot\eta_{k+1} \nonumber (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:
}
\begin{equation}
E(e^2_{k+1}) {E(e^2_{k+1}) \rightarrow
min\nonumber min}\nonumber \\
\end{equation}
\text {
Выражение выше принимает минимальное значение в том случае, когда производная равна нулю:
}
Коэффициент Калмана примет следующий вид:
\begin{equation}
-2\cdot(1-K_{k+1})\cdot(Ee^{2}_{k}+\sigma_{\xi}^2)+2\cdot {-2\cdot(1-K_{k+1})\cdot(Ee^{2}_{k}+\sigma_{\xi}^2)+2\cdot K_{k+1}\cdot
\sigma_{\eta}^2=0\nonumber \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}–\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 \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}