книги / Радиолокационные измерители дальности и скорости. [Т.1]
.pdfобщеё размерности вектора х, позволяет сократить число уравне ний (1.4.8), для вычисления матриц дисперсий Dj ошибок оцени вания подвекторов Xj. Если в состав исходного вектора состояния входят группы функционально независимых координат, то осуще ствлять декомпозицию нетрудно. Для расщепления исходного фильтра большой размерности на несколько фильтров меньшей размерности при функционально связанных координатах требует ся достаточный опыт и, в конечном счете, перебор вариантов де композиции методом проб и ошибок.
Как было отмечено в п. 2.2.2, состав наблюдаемых координат, определяя в синтезируемом фильтре число ООС, характеризует его склонность к расходимости. Минимальное число наблюдаемых па раметров, необходимых для формирования оценок всех фазовых координат, можно определить по критерию наблюдаемости (1.9.23).
В общем случае расходимость процессов (1.4.3) и (1.4.19) можно устранять путём изменения корректирующего влияния не вязки (1.4.7) либо путём изменения прогноза (1.4.6), (1.4.20). В первом случае большинство методов устранения расходимости ос нованы на различных способах коррекции в (1.4.3) коэффициентов матрицы Кф (1.4.4). В общем плане эти способы можно подразде лить на эвристические (программные), полуавтоматические и ав томатические. К эвристическим относятся приемы изменения ко эффициентов матрицы Кф без использования информации о теку щем состоянии фильтра. Это прежде всего:
ограничение снизу коэффициентов матрицы Кф на уровне Кфутш при котором корректирующие сигналы невязки заведомо превышают уровень ошибок прогноза Fx+Bu состояния системы (рис. 2 .2 .2 ,а);
периодическое прекращение процесса уменьшения кф^ и воз вращение к исходным значениям кфу(0) спустя время Тв (рис. 2.2.2,б);
коррекция Кфц(О) за счет использования ненулевых начальных значений Djj(O) матрицы D(0) (1.4.6).
Следует отметить, что первые два способа используются для устранения расходимости фильтров в установившемся режиме, связанной со снижением корректирующего влияния обновляющего процесса. Последний эффективен только в начальные моменты ра боты фильтра.
При отсутствии сведений о неточностях выбранных моделей (1.4.1), (1.4.17) и ошибках вычислителей уровень ограничения Кфушш и период Тв возобновления первоначального закона измене ния коэффициентов кфу зависят от опыта и интуиции исследова теля. Если известна информация о погрешностях вычислителей в виде спектральных плотностей (дисперсий) ошибок вычислений, то матрица спектральных и взаимных спектральных плотностей этих ошибок включаются в состав уравнений (1.4.5), (1.4.22) в ви* де дополнительного слагаемого. За счет этого увеличиваются зна* чения Кфу в установившемся режиме, а соответственно, и вес кор* рекции обновляющего процесса. Достаточно эффективным приё' мом, позволяющим устранить расходимость фильтров в начальные моменты их функционирования, является использование ненуле' вых начальных значений Бу(0)?Ю взаимных дисперсий матриц Р (1.4.5), (1.4.22). Конкретные значения D^O) выбирают, исходя и$ выполнения соотношений (2.2.5). Так, в примере, для которой исходные модели имеют вид (2 .2 .1 0 ) и (2 .2 .1 1 ), первоначальна^ расходимость устраняется при выполнении условий D31(0)>0* D2i(0)>D3i(0)Gfl/Dn(0), полученных путем использования Крите* рия Рауса-Гурвица для характеристического полинома (2.2.14)* Следует также обратить внимание на то обстоятельство, что введе* ние ненулевых начальных взаимных дисперсий может быть ис' пользовано для управления временем переходных процессе0 фильтра.
Устранение расходимости процессов фильтрации путём коР' рекции прогноза (1.4.6), (1.4.20) может выполняться двумя спос^' бами. Один из них базируется на соответствующей коррекции к0' эффициентов матриц F и Ф на основе оценивания их элементов тем или иным алгоритмам идентификации [42, 45]. При вторем способе коррекция прогноза осуществляется путём формирован^* аддитивных добавок по экстраполируемым фазовым координата^*
Необходимо подчеркнуть, что все рассмотренные способы пре дотвращения расходимости одновременно ухудшают точность оце нивания по сравнению с теоретически расчетными значениями матрицы D. Поэтому все эти методы целесообразно использовать лишь тогда, когда фильтр действительно начинает расходиться. Задача получения информации о текущем состоянии процессов сходимости решается полуавтоматическими и автоматическими методами, которые отличает наличие критерия, применяемого для констатации факта расходимости.
Определение моментов начала расходимости и формирование предотвращающих её поправок может осуществляться различны ми способами, которые отличаются различной степенью сложности и точностью полученных нерасходящихся оценок. Некоторые наи более эффективные из этих способов будут рассмотрены ниже.
2.2.4. У с тр а н е н и е ра с х о д и м о с т и п ро ц е с с а ф и л ь тр а ц и и п у тё м и зм е н е н и я к о р ре к т и р у ю щ е го в л и я н и я н е в я зк и
Общее решение задачи устранения расходимости процессов фильтрации путём регулировки в (1.4.19) коэффициентов усиле ния Кф невязки даётся теорией адаптивной фильтрации (см. п. 1.7.6), конкретные приложения которой к дальномерам будут да ны во 2-м томе монографии.
На практике широко распространён алгоритм изменения кор ректирующего влияния невязки на базе так называемой S-модифи кации оптимального фильтра [34]. В дискретном варианте указан ный алгоритм отличается от общепринятого лишь выражением для матрицы (1.4.22), которая используется в виде
D,(k) = SB0(k, k- l)D(k - 1)Фт(к,к- 1)+ Dx(k- 1). (2.2.20)
Одним из наиболее распространенных критериев оценки те кущей сходимости дискретных фильтров является неравенство [34]
AzT(k) Az(k) < ygtr{M[Az(k) AzT(k)]} =
= уBtr[H(k)Da(k)HT(k) +Щк)], |
(2.2.21) |
где ув>1 определяется из условия задачи; Az(k) = z(k) - Щк)Хд(к) -
обновляющий процесс в алгоритме фильтрации (1.4.19), a tr - операция следа матрицы.
Поскольку при расходимости фильтра резко возрастает откло нение оценки х от ее действительного значения х, результат про гноза наблюдений Hxg(k) в (1.4.19) будет значительно отличаться от результатов наблюдений z(k). Следовательно сумма квадратов обновляющего процесса в левой части (2 .2 .2 1 ) будет характеризо вать действительную ошибку фильтрации.
Правая часть (2 .2 .2 1 ) определяет теоретическую точность (1.4.25) обновляющего процесса, получаемую на основании апри орных сведений о (1.4.24). Если неравенство (2.2.21) не выполня ется, то реальная ошибка фильтрации более чем в ув раз превыша ет теоретически рассчитанную, т.е. фильтр расходится. Следова тельно, начиная с этого момента, необходимо тем или иным спо собом корректировать матрицу Кф либо обновляющий процесс.
Суть одного из таких способов, основанного на автоматической коррекции коэффициента SB в (2.2.20) по результатам текущего контроля процесса сходимости, состоит в следующем. Началом процесса расходимости считается нарушение неравенства (2 .2 .2 1) при условии ув=1. Тогда, принимая во внимание, что AzT(k)Az(k)=tr[z(k)AzT(k)] из (2 .2 .2 1 ) при ув= 1 получаем
tr[Az(k) AzT(k)] > tr[H(k)Da(k)HT(k) + DH(k)]. |
(2.2.22) |
Подставляя (2.2.20) в (2.2.22), приходим к неравенству
tr[Az(k) AzT(k)] > tr{H(k)[Sa(k)0>(k,k- l)D(k - 1)Фт(к,к -1) +
+Dx(k-l)]HT(k) + DH(k)} = SB(k)tr{H(k)0(k,к - l)D(k -1) x
xФт(к, к- l)HT(k)} + tr[H(k)Dx(k- l)HT(k) + D„(k)].
Отсюда наибольшее значение
О flc) _ tr[Az(k)AzT(k) - H(k)Dx(k- 1)Нт(к) -Ри(к)]
^ 1;г[Н(к)Ф(к,к - l)D(k - 1)Фт(к, к - 1)Нт(к)] ' 1 * ‘
Подставляя (2.2.23) и (2.2.20) в (1.4.19)-(1.4.23), можно формиро вать нерасходящиеся оценки при условии, что выполняется нера венство (2.2.22). Из этого алгоритма видно, что началу расходимо сти, фиксируемому по превышению левой части (2 .2 .2 2 ) над пра вой, будет соответствовать возрастание коэффициентов SB(k). От сюда следует увеличение коэффициентов матриц D3(k) (2 .2 .20) и Кф(к) (1.4.21), что вызывает в (1.4.19) усиление корректирующего влияния невязки и приближение оценки х(к) к действительному значению х(к). Это, в свою очередь, приведет к уменьшению не-
вязки Az(k) и множителя SB(k), ослаблению корректирующего влияния невязки и т.д.
В отличие от стандартного алгоритма фильтрации (1.4.19)— (1.4.23), в котором Кф(к) изменяется программно, в рассмотрен ном алгоритме больший вес имеют текущие измерения, поскольку коэффициенты матрицы Кф(к) корректируются результатами каж дого наблюдения. Этот алгоритм адаптируется к условиям функ ционирования приближением теоретической матрицы D к реаль ной за счет изменения весового множителя SB(k). Указанное изме нение осуществляется благодаря учету матрицы Az(k)AzT(k), ха рактеризующей действительную ошибку фильтрации.
Следует отметить, что при определении ^(к) по (2.2.23) требу ется наименьший объем вычислений по сравнению с другими мо дификациями данного метода. Недостатком рассмотренного алго ритма является некоторое затягивание момента обнаружения рас ходимости, поскольку критерий (2 .2 .2 2 ) констатирует начало рас ходимости лишь наиболее устойчивых наблюдаемых координат. Анализ, проведенный в п. 2.2.2, показывает, что больше всего склонны к расходимости ненаблюдаемые координаты, по которым в фильтре отсутствуют ООС. Поэтому расходимость по наблюдае мым координатам начинается лишь при достаточно больших от клонениях оценок ненаблюдаемых координат от их действитель ных значений.
В заключении отметим, что при изменении (2.2.20) из-за уче та SB(k) несколько ухудшается точность оценок по сравнению с теоретической точностью, определяемой (1.4.23). Поэтому фильт ры, синтезированные по алгоритму (1.4.19)—(1.4.21), (1.4.23) и (2.2.20) , (2.2.23), не являются оптимальными. Однако, несмотря на некоторое снижение точности, они будут обеспечивать гаранти рованную сходимость оценок.
2.2.5. У с тра н е н и е ра с х о д и м о с т и п ро ц е с с а ф и л ь тр а ц и и п у тё м о п т и м а л ь н о й к о рре к ц и и п р о гн о за
Как было отмечено в п. 2.2.3 расходимость процесса фильтра ции путём коррекции прогноза может быть устранена двумя спо собами: путём поправки коэффициентов матриц F и Ф в (1.4.6) и (1.4.20) и при введении в прогноз аддитивных управляющих доба вок.
В первом случае коррекция матриц F и Ф осуществляется по результатам текущего оценивания их компонент fy и фу по тем
или иным алгоритмам адаптации (§1.7) и идентификации [13, 30]. Одним из наиболее приемлемых алгоритмов идентификации, хо рошо сочетающимся с процедурой оптимальной фильтрации, яв
ляется алгоритм Мейна и его разновидности, рассмотренные в п.
1.8.1.
Анализ (1.8.7) и (1.8.10) показывает, что при отсутствии рас ходимости, когда невязки z-Нхэ малы, результаты фу оценивания
коэффициентов матрицы Ф практически совпадают с их априор ными значениями фу. В такой ситуации процедура фильтрации выполняется по стандартным правилам (1.4.19)-(1.4.23).
При появлении расходимости возрастают невязки (z-Hxg), воз никают значительные отличия фу от фу и в алгоритмы фильтра ции вместо априорных значений фу матрицы Ф вводятся их оцен ки фу. Следствием этого является коррекция прогноза хэ(к) = Фх(к -1 ) + Bu(k - 1 ) и приближение оценок х к их реаль ным значениям х.
Правила принятия решения о начале расходимости и коррек ция прогноза могут быть различными. Наряду с (2 .2 .2 2 ) может быть использовано и неравенство
(2.2.24)
i=i,
1=1
где д - размерность вектора состояния х; qy - весовые коэффици енты, а Ьф - порог, величина которого зависит от допустимой ве роятности ложного принятия решения о возникновении расходи мости.
Отыскание величины аддитивной управляющей добавки, ис пользуемой для устранения расходимости процесса фильтрации, может выполняться по различным процедурам. Ниже будет рас смотрен приём, основанный на использовании математического аппарата СТОУ.
Пусть для оценивания процесса (1.4.1) при и= 0 и наличии на блюдений (1.4.2) был использован алгоритм оптимальной линей ной фильтрации (1.4.3)—(1.4.6). При этом за счёт изменений усло вий функционирования модель (1.4.1), положенная в основу син теза, перестала соответствовать реальному состоянию оцениваемо го процесса. В такой ситуации наблюдения z будут отличаться от их прогноза И х, что приведёт к возрастанию невязки (z-Hx) и
т.д.. В результате будет формироваться расходящаяся оценка хр по правилу:
Хр =Fxp +Кф(г- Нхр) = (F- КфН)хр +K ^ = FlXp+Sp, |
(2.2.25) |
где |
|
Fi = (F - КфН), |
(2.2.26) |
^р=Кфг - измеряемое возмущение, а Кф определяется соотноше ниями (1.4.4), (1.4.5).
Для устранения процесса расходимости необходимо, не изме няя матрицы состояния F наилучшим образом приблизить прогноз хр оцениваемого процесса, определяемый соотношением хр= Fxp, к его реальному состоянию, информация о котором со
средоточена в измерениях z, т.е. нужно минимизировать невязку (z-Hxp). С этой целью для процесса
XpsFiXp+Ujj+Sp , |
(2.2.27) |
полученного на основе (2.2.25), необходимо отыскать вектор управляющих поправок ик, оптимальный по минимуму функцио нала качества
I = My|(z- Hxp)TQp(z - Нхр) + }< K puKdtj, |
(2.2.28) |
где Qp и Кр - соответственно матрицы штрафов за точность при ближения Нхр к z и за величину управляющих поправок.
Поставив в соответствие (2.2.27) с (1.9.1), а (2.2.28) с (1.11.9) будем иметь:
XT”Z, Ат Е, ху=хр АУ=Н, и ик, By Е, Q Qp |
К Кр. |
|
(2.2.29) |
Используя (2.2.29) в (1 .1 1 .1 0 ) получим: |
|
пк = K^BTQpfc - Нхр). |
(2.2.30) |
Анализ (2.2.30) позволяет сделать следующие заключения: сформированные поправки ик могут корректировать прогноз
всех фазовых координат оцениваемого процесса, включая и нена блюдаемые компоненты;
величина поправок зависит как от ошибок приближения Нхр к з, так и от соотношения штрафов за точность этого приближе-
ния (Qp) и штрафов (Кр), ограничивающих величину поправок ре альными значениями.
Если для оценивания используется дискретный алгоритм (1.4.19)~(1.4.23), то для формирования аддитивной поправки про гноза, устраняющей процесс расходимости может быть использо ван алгоритм СТОУ с локальной оптимизацией (1.12.6) и (1.12.7), учитывающий возмущения.
В математическом плане эта задача может быть сформулиро вана следующим образом. Для дискретной системы
хр(к) = Ф(к,к - 1)хр(к -1) + ик(к) + $р(к -1), |
(2.2.31) |
где
Sp(k-1) = Кф(к)[2(к) - Н(к)Ф(к,к - 1)хр(к-1)], (2.2.32)
полученной из (1.4.19), (1.4.20), необходимо найти вектор ик управляющих поправок, оптимальный по минимуму функционала качества
I =м|[г(к)- HXp(k)]TQp[z(k)- Нхр(к)]+uTK(k)KpUK(k)J, (2.2.33)
в котором QP и к р матрицы штрафов за точность приближения Нхр к z и за величину управляющих поправок.
Поставив в соответствие (2.2.31)-(2.2.33) с (1.12.1)-(1.12.3) по лучим
Хт z» Аф Е, Ху хр9 Ay Н, By Е,
(2.2.34)
Фу=Ф, Q=QP К=Кр, u=uK
где Е - единичная матрица соответствующей размерности. Используя (2.2.34) в (1.12.6) и (1.12.7) получим:
uK=Ky(z(k)-H[(0(k,k-l)xp(k-l)+ +Кф(к)[2(к)-НФ(к,к-1)Хр(к-1)]}= =Ky{z(k)-Hx9p(k)-^[z(k)-Hxap(k)]};
иК=Ку[(Е-НКф(к)К2(к)-Нхзр(к))]. (2.2.35)
Здесь:
Ky^IPQpH+KpV^Qp - |
(2.2.36) |
матричный коэффициент усиления ошибки управления;
138
Хэр(к)=Ф(к,к-1)хр(к-1) |
(2.2.37) |
- прогноз состояния оцениваемого процесса, выполняемый но ис ходной модели (1 .6 .1 2 ).
По своему виду (2.2.35Н2.2.37) совпадают с аналоговой раз новидностью (2.2.30) и поэтому для дискретного варианта спра ведливы все выводы, сделанные для (2.2.30). Добавим только, что в процессе получения (2.2.35Н2.2.37) не накладывалось никаких ограничений на матрицу Qp. Это даёт возможность использовать в качестве коэффициентов этой матрицы различные функции невя зок, что ещё более повысит точность и устойчивость функциони рования оценок при наличии расходимости.
Используя (2.2.35)-(2.2.37.) в (2.2.31) приходим к алгоритму формирования оценок по правилу:
хр(к)=хЭр(к)+Ку{[Е-НКф(к))[2(к)-Нхэр(к)]+
+Кф(кЯ2(к)-Нхэр(к)]}=
=хэр(к)+{Ку[Е-НКф(к)]+Кф(к)}[2(к)-НхЭр(к)]. (2.2.38)
Анализ (2.2.38) позволяет сделать следующие выводы. Введение аддитивной управляющей поправки (2.2.35) в алго
ритм фильтрации (2.2.31) фактически приводит к изменению те кущего веса корректирующей невязки. Однако закон изменения невязки будет отличным от закона, сформированного по правилу S-модификации (см. п.2.2.4).
Полученный алгоритм оценивания будет оптимальным уже не по минимуму СКО фильтрации, а по минимуму более сложного функционала (2.2.33).
2.3. ТОЧНОСТЬ РАДИОЛОКАЦИОННЫХ ИЗМЕРИТЕЛЕЙ
Точность является одним из наиболее важных частных пока зателей эффективности радиолокационных измерителей (РЛИ). Для её оценки используются мгновенные (текущие, точечные) и интегральные показатели. В качестве мгновенных показателей, характеризующих точность РЛИ в конкретные моменты времени, используются ошибки оценивания.
Под ошибками оценивания понимают вектор
Ax(t) = x(t) - x(t) |
(2.3.1) |
где х и х - векторы состояния и оценок. В общем случае ошибки оценивания Ax(t) являются случайными процессами. Поэтому наиболее полной характеристикой точности РЛИ будут их много мерные законы распределения. Следует отметить, что ошибки оценивания вызваны огромным числом случайных воздействий. Поэтому с достаточной для практики точностью можно считать законы распределения Ах гауссовскими. Поскольку определять многомерные законы распределения достаточно трудно, то опери ровать ими в качестве оценок точности неудобно. В связи с этим на практике используют более простые и удобные показатели точ ности:
вероятность того, что ошибка не выйдет за пределы допусти мой области;
математическое ожидание ошибки; дисперсию ошибки.
Использовать текущую ошибку Ax(t) (2.3.1) в качестве показа теля точности неудобно по двум причинам. Во первых, трудно сравнивать по точности многомерные РЛИ, если у одной из них
меньшей является ошибка Axi(t)=xTi(t)-xyi(t) (i = l,n ), a y |
другой |
- Axj(t)-xTj(t)-Xyj(t) (j = 1, n , И ). Во вторых, текущие |
ошибки |
оценивания Axj(t) являются функциями времени. Поэтому в один момент времени t\ ошибка Д х ^ ) одной системы может быть меньше, чем у другой, в то время как в момент времени со отношение ошибок может быть иным.
Первая причина устраняется, если за оценку точности взять взвешенную суммарную текущую ошибку оценивания. Наиболее часто в качестве такого показателя используется сумма взвешен
ных дисперсий ошибок |
|
D = M{[x(t) -x(t)]TQ[x(t) -x(t)]}, |
(2.3.2) |
в которой коэффициенты % диагональной матрицы Q определяют ся важностью ошибок Axi для системы в целом, а М - знак мате матического ожидания.
Необходимо отметить, что показатель (2.3.2) по прежнему яв ляется функцией времени. Во избежании этого недостатка за по казатель точности выбирают интегральную квадратичную оценку
I2 = М{)[x(t) -x(t)]TL[x(t) - x(t)] dt}. |
(2.3.3) |
О
В (2.3.3) L - диагональная матрица весовых коэффициентов 1ц, учитывающих важность текущих ошибок Ax^t) для системы в це-
140