книги / Радиолокационные измерители дальности и скорости. [Т.1]
.pdfСуть построения многоканальных адаптивных систем заклю чается в том, что область возможных значений а дискретизирует ся, т.е. считается, что а может принимать дискретные значения щ (i=l,2,...,M) из заданной области ( а ^ , а,,^). Интеграл в (1.7,6) при этом заменяется суммой, и выражение для оптимальной оценки принимает вид
*= Z*o(ai)P(al^o)» |
(1.7,9) |
где P|ai|zoj - апостериорная вероятность того, что а=щ, х0(а{) -
оценка вектора х, определяемая уравнениями (1.5.2), (1.5.3) при фиксированном значении а=0 |.
При дискретизации значений вектора а выражение (1.7.7) пе реходит в соотношение
Р |
exi |
JFifat,т)dт|р(ад) |
|
|
м |
t |
’ |
(1.7.10) |
|
|
|
Z exP(fFi(ai»т)dt}P(ai)
i=l 0
в котором P(cti) - априорные вероятности значений а=оц. Структурная схема оптимального фильтра, описываемого вы
ражениями (1.7.9), (1.7.10) приведена на рис. 1.7.1. Из него сле дует, что измеритель является многоканальным. Он содержит на бор фильтров, каждый из которых рассчитан на оптимальное вы деление информативного процесса с параметром а, равным оц, на бор вычислителей апостериорных вероятностей, перемножители и сумматор. В процессе работы системы условные оценки х0(а),
формируемые на выходах канальных фильтров, умножаются на
вероятности P(aJzo) и суммируются, образуя выходную оптималь
ную оценку х . С течением времени апостериорная вероятность то го значения Oj, которое наиболее близко к истинному значению а, стремится к единице, а вероятности остальных <ц убывают до ну ля. Поэтому после завершения процесса адаптации из всех ка нальных фильтров оказывается «включенным» лишь тот фильтр, параметры которого соответствуют характеристикам принимаемого информативного процесса.
Как следует из выше изложенного, адаптивные системы фильтрации, синтезированные методом разделения, реализуются в виде многоканальных систем и достаточно сложны для практиче ского применения. Для построения более простых адаптивных фильтров можно использовать следующее обстоятельство. При большом времени наблюдения апостериорная плотность вероятно
сти w|a|zoj вектора а, описывающего неизвестные статистические
характеристики, становится узкой по сравнению с априорной плотностью распределения этих параметров и сосредоточенной вблизи некоторого значения a=a*. Тогда в выражении для опти
мальной оценки (1.7.6) можно положить w|a|zoj=8(a-a*), что при
водит к соотношению
x »x 0(a*)= J xw(x|zjj,a*)dx. |
(1.7.12) |
—со |
|
В соответствии с полученным выражением задача адаптивной фильтрации сводится к фильтрации информационного процесса при оценочном значении а* неизвестных параметров.
Описанный подход, естественно, является приближенным, так как на начальном этапе наблюдения апостериорная плотность ве роятности может быть достаточно широкой. Связанная с этим неоптимальность полученного адаптивного фильтра окупается его сравнительной простотой.
На рис. 1.7.2 показана общая схема рассматриваемого адап тивного фильтра. Она состоит из двух блоков. Первый из них яв ляется оптимальным фильтром, рассчитанным на выделение ин формационного процесса в предположении, что a=a*. Второй - яв ляется блоком адаптации. Он формирует апостериорную оценку а*
z(t) |
Основной блок |
априорно |
неизвестных парамет |
|
ров, которая вводится в основной |
||||
фильтрации |
||||
|
блок фильтрации для подстройки |
|||
|
(отиыадьный |
|||
|
его параметров. Такая структура |
|||
|
бипьтоягаС£=сЛ |
|||
|
т«* |
адаптивных фильтров получила в |
||
|
литературе |
название скользящей |
||
|
|
|||
— ► Блок адаптации |
адаптации. |
|
||
Упрощение адаптивных фи |
||||
|
|
|||
|
|
льтров обсуждаемого типа по |
||
|
Рис. 1.7.2. |
сравнению |
с многоканальными |
фильтрами достигается за счет того, что в них вместо апостериор ной плотности вероятности всех возможных значений вектора а формируется и используется лишь одно оценочное значение а*, т.е. формируется и используется точечная оценка вектора а. Для формирования этой оценки можно использовать различные крите рии и подходы. Вполне естественно, например, выбрать в качестве оценочного значения а* апостериорное среднее значение вектора а, т.е. принять
а*=а = JaW^a|zojdoc. |
(1.7.13) |
Алгоритм адаптивной фильтрации с использованием в качест ве оценки а апостериорного среднего получил название алгоритма скользящего адаптивного приёма.
Уравнение, описывающее эволюцию оценки а , может быть получено из общего уравнения (1.3.6) для апостериорной плотно
сти. Для совместного апостериорной плотности w(x,a|Zo) справед
ливо уравнение (1.3.6), в котором в качестве оператора ФоккераПланка !*<*(•) следует использовать оператор для расширенного
т
вектора хта т , а функция F<j)(x,a,t) описывается выражением
(1.7.8). Для условной апостериорной плотности w|x|zp,aj также
можно записать уравнение (1.3.6), но с оператором ФоккераПланка !*(•) только для процесса х. При постоянных неизвестных параметрах а операторы Фоккера-Планка и L* совпадают, и после несложных преобразований получается уравнение для апо стериорной плотности
W(a|z*j= Fi(a,t)- J ^(a.tjw fa^jda w(a|z‘ ),
где функция F^a,!) описывается выражением (1.7.8).
Для гауссовской аппроксимации апостериорной плотности
w|a|zoj в [51] получены следующие уравнения для оценки неиз
вестных параметров |
|
|
dslCTx(d),d,tjN |
dT(d)V ! |
|
a = Da(t} |
°й г(1)(г(4 " s(cTx(d),d, tjj - |
J [’ |
da |
. dd |
(1.7.14)
где Da = м£(а - а)(а - а)т - матрица дисперсий ошибок оценивания параметров а,
¥ = 0,5tr< |
(1.7.15) |
Следует отметить, что при формировании оценок по соотноше ниям (1.7.14), (1.7.15) необходимо учитывать зависимость оценки х и матрицы D от а. Поэтому при дифференцировании в (1.7.14), (1.7.15) по а необходимо вычислять полные производные, т.е.
ds|cTx(a),a, tj |
Ss^CTx(d),a, tj 5s(cTx(a), a, tj |
|
||
da |
5a |
|
Эх |
5a ’ |
d¥(£(&), a) _ 5У(&(&), a, t) |
S^fxfa), a, t) fa |
(1.7.16) |
||
|
||||
da |
5a |
Эх |
5a |
|
При выполнении дифференцирования в (1.7.14), (1.7.16) воз никают производные Эх / 5d и 5D / Эа, уравнения для которых могут быть получены дифференцированием уравнений оптималь ной фильтрации (1.6.2), (1.5.3) по а .
Рассмотрим один частный случай, когда сигнальная функция s(A,,t) в наблюдениях не зависит явно от неизвестных параметров а, а может зависеть от них только через информативные парамет ры Л. В этом случае из сопоставления уравнения (1.7.14), описы вающего блок адаптации, и уравнений (1.5.2), (1.5.3), описываю щих основной блок фильтрации, можно увидеть, что на вход бло ка адаптации поступает сигнал) ufl(t) с выхода дискриминатора основного блока фильтрации, так что уравнение (1.7.14) можно записать в виде
(1.7.17)
где nA(t) определяется соотношением (1.5.6).
Структурная схема системы адаптивной фильтрации для рас смотренного случая приведена на рис. 1.7.3. Как видно из рисунка и уравнения (1.7.17), существенной операцией в блоке адаптации
фильтрации представить в виде эквивалентной структурной схе мы, приведенной на рис. 1.5.6. В этой схеме процесс в точке «1» такой же, что и на выходе дискриминатора схемы рис. 1.5.2. Л так как в адаптивной системе фильтрации в контур адаптации по дается процесс с выхода дискриминатора, то аналогичная линеа ризация дискриминатора (при высокой точности фильтрации) справедлива и для адаптивной системы. Резюме из этих рассужде ний такое же, что и в §1.5: синтез адаптивной системы фильтра ции (когда сигнальная функция s(X,t) не зависит явно от неиз вестных параметров а) можно проводить для эквивалентных ли нейных наблюдений (1.5.10). Этот факт существенно упрощает синтез и анализ адаптивных систем фильтрации.
Для задач адаптивной фильтрации в дискретном времени структура скользящего адаптивного фильтра такая же, как и на рис. 1.7.3. Основной блок фильтрации при этом описывается дис кретными уравнениями оптимальной фильтрации (1.5.13)-(1.5.17) при значениях неизвестных параметров, равных их оценочным значениям d(k). Уравнения для этих оценок, полученные в [51]
имеют вид:
|
rds(Crx8(k,c^,a,^ |
Г |
|
|
|
|
o(k)=d(k-l)+Da(k) |
BT^djjzfk)-s|Crx3(k,d),d,k|j; |
|||||
da |
||||||
|
|
|
|
|
||
|
J |
|
|
|
|
|
ч ?М = ч ?М + |
’ds|Crx8(k,a),ct,kjf |
r |
J |
ds(C 4 ( W |
||
|
dd |
/ |
4 \ |
dd |
J |
|
|
|
|
|
|
(1.7.18) |
|
B(a) = DH(k) |
ds|cTx8,a,kj^ ^ ^ds|cTx3,a,kj |
|
||||
d Z |
|
|
dx~ |
|
||
|
|
|
|
где De(k) - матрица дисперсий ошибок экстраполяции вектора х, удовлетворяющая уравнениям (1.6.15)—(1.5.17).
Структурная схема дискретной системы адаптивной фильтра ции аналогична соответствующей структурной схеме непрерывной системы и включает основной блок фильтрации и блок адаптации. В ней также можно выделить дискриминатор основного блока фильтрации, для которого справедливо соотношение, аналогичное (1.5.18). При высокой точности фильтрации дискриминатор мож
но линеаризовать, структурную схему адаптивной системы пред ставить в эквивалентном виде (рис. 1 .6.6), а синтез адаптивной системы фильтрации проводить для эквивалентных линейных на блюдений типа (1 .6.1 0 ).
1.7.5. А л го ри тм ы а д а п т а ц и и , о сн о ван н ы е н а р е гу л и р о в к е
ПАРАМЕТРОВ СИСТЕМ ФИЛЬТРАЦИИ
В предыдущем параграфе рассмотрены алгоритмы адаптивной фильтрации информативных процессов, в которых формировались оценки как самих процессов, так и неизвестных параметров а. Сформированные оценки неизвестных параметров в скользящих алгоритмах адаптации используются для подстройки параметров основного блока фильтрации, в котором формируется оценка ин формативного процесса. При этом подстройка таких параметров как коэффициенты усиления фильтра осуществляется через пере счет матричных уравнений Риккати для матриц дисперсий оши бок фильтрации. Такая операция требует существенных вычисли тельных затрат. Кроме того, во многих практических задачах сама оценка неизвестных параметров информативного процесса не представляет самостоятельного интереса, а задачей системы явля ется выделение самого информативного процесса с максимальной точностью. В этом случае можно отказаться от прямой оценки не известных характеристик информативного процесса и осуществ лять непосредственную подстройку (регулировку) параметров сис темы фильтрации. Использование непосредственной подстройки параметров системы фильтрации (по терминологии п.1.7.4 - ос новного блока фильтрации) приводит к упрощению синтезируемой системы, а во многих задачах и к улучшению ее характеристик.
Рассмотрим задачу линейной фильтрации. Во-первых, линей ные задачи более наглядны и просты для понимания, а, вовторых, как показано в §§ 1.5 и 1 .6, при высокой точности фильт рации к линейной задаче сводятся многие задачи нелинейной фильтрации (при нелинейных наблюдениях).
Итак, пусть заданы априорные уравнения
(1.7.19)
(1.7.20)
где а - неизвестные параметры состояния и наблюдения.
Так как описания информативного и наблюдаемого процессов заданы, то естественно, с целью получения наилучших характери стик фильтрации, в качестве основной системы (блока) фильтра ции информативного процесса использовать структуру оптималь ного измерителя. Представим уравнения такого измерителя в виде
X = F(p,t)x+ K(p,t)(z(t) - H(p,t)x). |
(1.7.21) |
Здесь введен вектор р - параметров системы, |
которые подле |
жат регулировке в процессе адаптации, и использованы обозначе ния матриц F, К, Н со знаком для подчеркивания того факта, что они являются функциями регулируемых параметров р и отли чаются от аналогичных матриц в (1.7.1), рассматриваемых как функции параметров а.
Будем полагать, для определенности, что параметры Р посто янны, т.е. р = 0 .
Для получения уравнений, описывающих процесс адаптации, в [51] предложено использовать квадратичный функционал каче ства вида
Минимизация такого показателя качества адекватна миними зации дисперсии ошибок фильтрации информационного процесса х и, выполненная методами вариационного исчисления [59], при водит к следующему алгоритму
В этих уравнениях функция Dp имеет смысл дисперсии ошибок оценки параметров р. В уравнения (1.7.22) входит производная Эх/ Эр, уравнение для которой получается дифференцированием (1.7.21) по р: