Escolar Documentos
Profissional Documentos
Cultura Documentos
Florianópolis
6 de julho de 2018
João Victor Manke
Florianópolis
6 de julho de 2018
Ficha de identificação da obra elaborada pelo autor,
através do Programa de Geração Automática da Biblioteca Universitária da UFSC.
Inclui referências.
Florianó: 18
Banca Examinadora
or
de SantaCatarina
ã
alva Ide,Dr
Universidade de San
This work studies the behavior of the Kalman filter, as well as its
application in linear and nonlinear system estimation. Initially
the filter’s equations are derived stemmed from the assumptions
relevant to the algorithm, then the problems of system estimation
are formulated in a way that it is possible to use the Kalman filter
to solve them. In the nonlinear case the kernel trick is applied to
eliminate the necessity to explicitly choose the nonlinearities to
be applied on the algorithm inputs. Simulations were conducted
to ascertain if the filter can solve these problems, as well as,
to compare it to common system estimation algorithms (least
square algorithms). The results show that the Kalman filter is a
good tool to apply on these kind of problems.
1 INTRODUÇÃO . . . . . . . . . . . . . . . . 19
2 FILTRO DE KALMAN . . . . . . . . . . . . 21
2.1 O Problema . . . . . . . . . . . . . . . . . . . 21
2.2 O Filtro de Kalman . . . . . . . . . . . . . . 23
2.2.1 O Ganho de Kalman . . . . . . . . . . . . . . . 25
2.2.2 Estimando a Matriz de Covariância . . . . . . . 28
2.3 Sequência de Cálculo de uma Iteração do Fil-
tro de Kalman . . . . . . . . . . . . . . . . . 30
2.4 Simulações . . . . . . . . . . . . . . . . . . . 33
5 CONCLUSÃO . . . . . . . . . . . . . . . . . 51
REFERÊNCIAS . . . . . . . . . . . . . . . . 53
19
1 Introdução
2 Filtro de Kalman
2.1 O Problema
Yk = HXk (2.2)
∆t2
Sk = Sk−1 + ∆tVk−1 + ak (2.6)
2
" #
h i S
k
Yk = 1 0 = Sk (2.9)
Vk
Esse modelo, contudo, assume conhecimento exato do sistema
e medições perfeitas. A consideração de leves inconsistências
no modelo (wk ) e de erros das medidas devido a sensores não
perfeitos (vk ), modela estes dois sinais de erro como variáveis
aleatórias gaussianas, com média zero e não correlacionadas.
Pode-se então atualizar as equações do sistema como a seguir:
Yk = HXk + vk (2.11)
A função do filtro de Kalman é combinar a medida Yk a uma
predição Ŷk para obter uma estimativa X̂k que se aproxima ao
máximo de Xk .
e portanto:
4. Obter a medição Yk ;
k =k+1 (2.51)
32
2.4 Simulações
" #
1 0
H= (2.52)
0 1
" #
Sk
Yk = (2.53)
Vk
3.1 O Problema
yk
uk hk
+
ŷk −
ĥk +
ek
Algoritmo
inteligibilidade da mensagem.
yk
hk uk
+
ŷk −
uk +
ek
ĥk
Algoritmo
3.3 Simulações
uTk
ĥk = ĥk−1 + µ · (yk − uk · ĥk−1 ) (3.3)
||uk ||2
O parâmetro µ é controla o passo de convergência, nestas simu-
lações será considerado µ = 1.
4.1 O Problema
• Simetria conjugada;
• É positiva definida;
N
X −1
Φ(·) = zk [i]K(·, uk−i ) (4.5)
i=0
yk
uk Φ(·)
Kk (·)
+
ŷk −
wk +
ek
Algoritmo
4.4 Simulações
Kk (uk )
zk = zk−1 + µ · (yk − Kk (uk ) · zk−1 ) (4.8)
||Kk (uk )||2
48 Capítulo 4. Estimação de Sistemas Não Lineares
2
Com σw = 10−1 e α[0] = 0.98
5 Conclusão
estudados neste trabalho não serem muito altas, eles são, de fato,
mais complexos que os algoritmos da família LMS. No caso de
estimação de sistema linear o estimador de Kalman teve uma
performance definitivamente melhor que o NLMS, justificando
o aumento da complexidade computacional. Por outro lado no
caso não linear o KKE teve uma performance ligeiramente pior
que o KNLMS, não justificando claramente a sua necessidade.
Referências