Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5.1 Parameterschätzung<br />
5.1.5 Zusammenfassung der linearen Parameterschätzverfahren<br />
Diese Zusammenfassung ist in zwei Teile gegliedert. Im ersten werden die eingesetzten<br />
Verfahren der linearen Parameterschätzung gegenübergestellt und diskutiert. Im zweiten<br />
Teil werden die Eigenschaften, die bei der Untersuchung mit synthetischen Daten<br />
festgestellt worden sind, zusammengefaßt.<br />
Gegenüberstellung des RML-, WRLS- und LKF-Verfahrens<br />
WRLS-Verfahren:<br />
Die Verstärkung L wird wie beim Kalman-Filter in Gleichung (5.61) bestimmt. Allerdings<br />
tritt anstelle des Measurement-Noise R der Forgetting-Faktor λ. Die Bestimmung<br />
erfolgt nicht wie beim Kalman-Filter über den Zwischenschritt einer Prädiktionsfehlerkovarianz<br />
in Gleichung (5.60), sondern wird direkt durch den Zusammenhang in Gleichung<br />
(5.58) ermittelt. Daher besitzt das WRLS-Verfahren keine Möglichkeit, Rauschprozesse<br />
zu berücksichtigen. Treten bei der Anwendung Rauschprozesse auf, führt dies zu biased<br />
Estimates bis hin zur Filterdivergenz.<br />
LKF-Verfahren:<br />
Unsicherheiten in der Messung können im Gegensatz zum WRLS-Verfahren durch die<br />
Kovarianzmatrix des Measurement-Noise mitmodelliert werden. Die Kovarianzmatrix<br />
des Driving-Noise in Gleichung (5.60) kann nicht wie beim normalen Verfahren des<br />
Kalman-Filters als Parameter zur Modellierung des Eingangsrauschprozesses verstanden<br />
werden, da in den Zuständen die zu schätzenden Parameter und in der Beobachtungsmatrix<br />
der dynamische Anteil des Systems stecken, siehe Gleichung (5.66). Durch<br />
die Aufteilung der Berechnung der neuen Schätzwerte in das Time-Update und das<br />
Measurement-Update zeichnet sich das Filter später mit richtig eingestelltem Parameter<br />
für das Measurement-Noise durch ein sehr gutes Konvergenzverhalten aus. Der Berechnungsaufwand<br />
ist allerdings größer als beim RLS-Verfahren.<br />
RML-Verfahren:<br />
Das RML-Verfahren ist das rechenzeitintensivste Verfahren. Der Grund hierfür liegt zum<br />
einen an der Bestimmung der Ableitungen in Gleichung (5.40)-(5.42) und zum anderen<br />
an der Zustandsraumerweiterung in Gleichung (5.22) um den Fehlervektor e. Das Verfahren<br />
berücksichtigt den Einfluß des Fehlers auf den Regressionsansatz durch ein Formfilter,<br />
siehe Gleichungen (5.19) und (5.20). Das Verfahren besitzt aus diesem Grund sehr<br />
gute Eigenschaften für stark verrauschte Ein- bzw. Ausgangssignale. Allerdings kann die<br />
Bestimmung der Ordnung des Formfilters nur im Rechnerdialog mit Ordnungserhöhung<br />
erfolgen.<br />
83