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 Lineare Parameteridentifikationsverfahren<br />
Für ¯R(k) ergibt sich mit der Gleichung (5.50) die Darstellung:<br />
¯R(k) = ¯R(k − 1) + λ k · ϕ(k) · ϕ(k) T (5.55)<br />
Wie auch beim Verfahren mit RML, beinhalten die Herleitung des Parameterschätzwertes<br />
in Gleichung (5.54) eine Inversion der Matrix ¯R. Mit einer analogen Vorgehensweise<br />
durch die Ausnutzung eines Matrix-Inversions-Lemmas, das für das Verfahren mit RML<br />
im Anhang 10.4 abgeleitet wurde, kann eine Darstellung mit skalarer Division von folgender<br />
Form bestimmt werden. In der Herleitung ist die Verstärkung γ durch L zu<br />
ersetzen:<br />
ˆθ(k) = ˆθ(k − 1) + L(k) · [y(k) − ϕ(k) T · ˆθ(k − 1)] (5.56)<br />
L(k) =<br />
P (k − 1) · ϕ(k)<br />
λ k + ϕ(k) T · P (k − 1) · ϕ(k)<br />
(5.57)<br />
P (k) = P (k − 1) − L(k) · ϕ(k) T P (k − 1) (5.58)<br />
In Gleichung (5.56) wird der neue Parameterschätzwert aus dem letzten Schätzwert und<br />
dem durch die Verstärkung L gewichteten Residuum berechnet. Die Verstärkung L wird<br />
mit dem Zusammenhang in Gleichung (5.57) berechnet.<br />
Die Bestimmung des Forgetting-Faktors λ zur Berechnung der Verstärkung stellt eine<br />
Schwierigkeit bei der Anwendung des WRLS-Verfahrens dar. Dieser Faktor wird als<br />
Tuning-Faktor verwendet, besitzt allerdings keinen Zusammenhang zu den zu schätzenden<br />
Parametergrößen. Weiterhin erweist sich die Bestimmung der Startwerte beim WRLS-<br />
Verfahren als schwierig und entscheidet im Zusammenhang mit der Wahl des Forgetting-<br />
Faktors oft über das Konvergenzverhalten und die Genauigkeit der Filterschätzwerte.<br />
5.1.3 Verfahren mit linearem Kalman-Filter<br />
Auf eine Herleitung der Gleichungen des Kalman-Filters für den linearen Fall wird verzichtet.<br />
Für den interessierten Leser wird auf die einschlägige Literatur und hier im<br />
speziellen auf Loffeld [20] verwiesen. Die Filtergleichungen setzen sich aus den Gleichungen<br />
für das Time-Update und für das Measurement-Update zusammen.<br />
Time-Update:<br />
ˆx − (k) = A · ˆx + (k − 1) + B · u(k − 1) (5.59)<br />
P − (k) = A · P + (k − 1) · A T + G · Q(k − 1) · G T (5.60)<br />
Die Gleichungen des Time-Update werden auch Prädiktionsgleichungen genannt, da mit<br />
diesen der nächste Schätzwert des Zustandsvektors im voraus berechnet (prädiziert) werden<br />
kann, siehe Gleichung (5.59).<br />
68