AnyMath 文档
Notebook

利用扩展卡尔曼滤波器识别动态系统参数

导言

通过噪声测量估计动态系统的状态是控制理论、导航和信号处理中的一项基本任务。 对于具有高斯噪声的线性系统,卡尔曼滤波器是最优解,然而,许多真实系统需要同时评估状态变量和未知模型参数。

在这种情况下,使用扩展卡尔曼滤波器(RFK),基于通过一阶泰勒级数展开的非线性模型函数的局部线性化。 本文考虑了一阶非周期环节状态的参数识别和评价问题。:

​,

哪里 -未知动态参数, -已知系数, -输入影响, ​ -过程噪音。 该解决方案通过在其中包含未知参数来使用状态向量的扩展。 .

这项工作的目的是演示用于联合估计的Rfc的实现,研究参数估计的收敛性并分析误差协方差矩阵的行为。

所需图书馆

在这个例子中,我们将需要以下库:

*LinearAlgebra-用于矩阵运算;
*统计-用于产生噪声。

In [ ]:
using LinearAlgebra, Statistics

模型的初始参数

让我们定义系统参数:

  • T_sim = 200 -模拟步骤数;
  • k_u = 1.0 -增益系数;
  • T_const = 10.0 -时间常数。

让我们计算真正的参数: 和 ,描述一阶的非周期链接。

In [ ]:
# 模型参数
T_sim = 200;
k_u = 1.0;
T_const = 10.0;
a_true = 1.0 - 1.0/T_const;
b_true = k_u / T_const;
display(a_true)
0.9

让我们定义初始参数估计 a_init = 0.85 和输入信号 u_d = 1.0. 我们还将根据标准偏差定义噪声。: σ_v = √0.01 -过程噪音, σ_ζ = 0.001 -参数噪声(模拟参数漂移), σ_w = √0.01 -测量噪声。

In [ ]:
# 初始条件
a_init = 0.85;
u_d = 1.0;

# 噪声协方差
σ_v = sqrt(0.01);
σ_ζ = 0.001;
σ_w = sqrt(0.01);

数据生成

创建函数 generate_data(),它模仿真实系统的行为。 在每个步骤中,我们生成过程噪声v并使用公式计算下一个状态:

然后添加测量噪声。: .

该函数返回真实状态和噪声测量的数组。

In [ ]:
# 生成真实过程
function generate_data(T_sim, σ_v, a_true, b_true, u_d, σ_w)
    x_true = zeros(T_sim)
    y_meas = zeros(T_sim)
    x = 0.0
    
    for n in 1:T_sim
        v = σ_v * randn()
        x = a_true * x + b_true * u_d + b_true * v
        x_true[n] = x
        y_meas[n] = x + σ_w * randn()
    end
    
    return x_true, y_meas
end
Out[0]:
generate_data (generic function with 1 method)

扩展卡尔曼滤波函数

创建函数 ekf_filter(),其中实现了扩展卡尔曼滤波器,用于状态x和参数a的联合评估,初始化扩展状态向量X=[x;a] = [0; 0.85] 和协方差矩阵P=diag(1.0,0.1)。

在循环的每一步:

  1. 基质形成: -过渡矩阵, -输入矩阵, -噪声矩阵。

  2. 状况预测:

  3. **线性化:**雅可比矩阵的计算 ,其中由于产品的非线性被考虑在内 .

  4. 协方差的预测: ,在哪里 .

  5. **更正:**计算差异 ,

    创新协方差 ,卡尔曼系数 .

  6. 更新: ,

    .

In [ ]:
function ekf_filter(y_meas::Vector{Float64}, a_init::Float64, b_true::Float64, u_d::Float64, σ_v::Float64, σ_ζ::Float64, σ_w::Float64)
    T_sim = length(y_meas)
    
    # 扩展状态向量:[x;a]
    X = [0.0; a_init]
    
    # 误差协方差矩阵
    P = diagm([1.0, 0.1])
    
    # 测量矩阵
    C = [1.0 0.0]
    
    # 过程噪声的协方差矩阵
    M = diagm([σ_v^2, σ_ζ^2])
    
    # 2x2单位矩阵
    I2 = diagm(ones(2))
    
    # 存储结果
    x_est = zeros(T_sim)
    a_est = zeros(T_sim)
    P_hist = zeros(2, 2, T_sim)
    
    for n in 1:T_sim
        x_n = X[1]
        a_n = X[2]
        
        # 状况预测
        # 过渡矩阵A=[a0;0 1]
        A = [a_n  0.0;
             0.0  1.0]
        
        # 控制矩阵B=[b;0](b为常数)
        B = [b_true; 0.0]
        
        X_pred = A * X + B * u_d
        
        # 线性化
        F = [a_n  x_n;
             0.0  1.0]
        
        # 过程噪声矩阵V=[b0;0 1]
        V_mat = [b_true  0.0;
                 0.0      1.0]
        
        # 协方差的预测
        P_pred = F * P * F' + V_mat * M * V_mat'
        
        # 更正
        y_pred = (C * X_pred)[1]
        innovation = y_meas[n] - y_pred
        
        S = (C * P_pred * C')[1, 1] + σ_w^2
        K = P_pred * C' / S
        
        X = X_pred + K * innovation
        P = (I2 - K * C) * P_pred
        
        # 自然保育
        x_est[n] = X[1]
        a_est[n] = X[2]
        P_hist[:, :, n] = P
    end
    
    return x_est, a_est, P_hist
end
Out[0]:
ekf_filter (generic function with 1 method)

运行模拟

让我们运行模拟:生成数据并应用过滤器。

In [ ]:
x_true, y_meas = generate_data(T_sim, σ_v, a_true, b_true, u_d, σ_w);
x_est, a_est, P_hist = ekf_filter(y_meas, a_init, b_true, u_d, σ_v, σ_ζ, σ_w);

为了目视检查,我们将输出扩展卡尔曼滤波器的评估向量的第一个和最后一个值。

In [ ]:
x_est
Out[0]:
200-element Vector{Float64}:
 0.14310081619978648
 0.23915330583528285
 0.20957303927390009
 0.26607767068000626
 0.3884568888337616
 0.5100903333114909
 0.5344283013016132
 0.5692036761074832
 0.6351143666385379
 0.6772130891330526
 0.7201782083990114
 0.700702597158715
 0.7237308724987693
 ⋮
 1.007264754012645
 1.011002756933732
 0.9996417060121864
 1.007551076756899
 1.0070630128722802
 1.011825792285365
 1.011063881429158
 0.9942177135507816
 0.991925762549218
 1.0136964386882734
 1.0224545667226046
 1.0082160811729803

结果可视化

让我们建立三个图表。 在第一个,我们将显示真实状态(蓝线),噪声测量(橙色点)和滤波器估计(绿线)。 第二个显示参数的真实值(黑色虚线)及其估计值(橙色线),以 并收敛到真实值 . 第三步是参数估计不确定性的收敛。 .

In [ ]:
p1 = plot(1:T_sim, x_true, label="真实的状态", lw=2)
plot!(p1, 1:T_sim, y_meas, label="测量", alpha=0.4, marker=(:circle, 2))
plot!(p1, 1:T_sim, x_est, label="RFK评估", lw=2)
xlabel!(""); ylabel!("x")
title!("病情评估")

p2 = plot(1:T_sim, a_true*ones(T_sim), label="真正的参数是一个", lw=2, color=:black, ls=:dash)
plot!(p2, 1:T_sim, a_est, label="参数a的评估", lw=2)
xlabel!(""); ylabel!("a")
title!("参数评估")

P_a = [P_hist[2, 2, n] for n in 1:T_sim]  
p3 = plot(1:T_sim, P_a, 
          label="参数a的方差", 
          lw=2, 
          color=:purple,
          fillrange=0, 
          fillalpha=0.2,
          legend=:topright)
xlabel!("步骤")
ylabel!("方差")
title!("参数a估计中不确定性的收敛性")

plot(p1, p2, p3, layout=(3,1), size=(800, 750))
Out[0]:

结论

在工作过程中,实现了扩展卡尔曼滤波器来共同评估线性动态物体的状态和未知参数。 模拟显示:

  1. **参数估计的收敛。**尽管初始估计存在故意偏差,但滤波器很快对其进行了校正,并且在前十几次迭代之后,估计稳定在真实值附近。

  2. **不确定性的趋同。**参数估计误差的方差单调减小,这表明信息的积累和算法在估计中的置信度的增加。

  3. **病情评估的质量。**重建的轨迹与真实轨迹保持良好一致,尽管过程和测量存在噪声。

重要的是要强调,RFK的正确操作直接取决于模型与真实过程的一致性,并且如果存在差异,则参数估计被移位。

考虑的方法广泛用于现实世界的任务。:

*自适应控制-实时评估对象参数(时间常数,增益系数)以构建自适应控制器。

*导航和定位-惯性系统中传感器的坐标,方向和校准参数的联合细化,GPS/GLONASS。

*能源-评估电机的参数和电池的状况(充电,容量,磨损)。

*医学和生物技术-根据测量数据评估药代动力学参数,处理EEG和ECG信号。

*气象是将数据同化为数值天气模型,其中大气状态和模型参数同时被细化。

因此,基于RFK的状态和参数联合估计的演示方案是处理动态系统上不完整或噪声数据的通用工具。