Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
5.1 Parameterschätzung<br />
Dies führt zu Identifikationsfehlern, die sich durch biased Estimates bis hin zur Filterdivergenz<br />
bemerkbar machen.<br />
Zuerst wird der Einfluß einer Ausgangsrauschgröße und anschließend der Einfluß einer<br />
Eingangsrauschgröße jeweils unabhängig mit synthetischen Daten untersucht.<br />
Ausgangsrauschgröße:<br />
Die Ausgangsrauschgröße wurde als weißer gaußverteilter mittelwertfreier Rauschprozeß<br />
mit folgender Varianz modelliert:<br />
E {v(k) · v(k)} = σ 2 =3· 10 −3 (5.93)<br />
Die beiden Verfahren LKF und RML schneiden besser als das WRLS-Verfahren ab. Der<br />
Grund hierfür liegt in der Tatsache, daß beim Kalman-Filter über das Measurement-<br />
Noise der Ausgangsrauschprozeß mitmodelliert wird. Das RML-Verfahren enthält ein<br />
Formfilter und kann somit den Ausgangsrauschprozeß durch das Modell erfassen.<br />
Dementgegen ist das WRLS-Verfahren nicht in der Lage, den Ausgangsrauschprozeß<br />
richtig zu erfassen. Dies führt zu biased Estimates in den zu schätzenden Parametern,<br />
wie in Abbildung 5.7 zu sehen ist.<br />
Die Konvergenzgeschwindigkeit ist wiederum beim LKF-Verfahren am höchsten, das<br />
schon nach weniger als 10 Zyklen eingeschwungen ist. Das RML-Verfahren benötigt<br />
wiederum mehr als 200 Zyklen, um die Endwerte zu erreichen. Die Abbildung zeigt allerdings<br />
nur einen Ausschnitt von den ersten 100 Zyklen.<br />
Eingangsrauschgröße:<br />
In diesem Abschnitt wird das Verhalten bei auftretenden Eingangsrauschprozessen untersucht.<br />
Die Eingangsrauschgröße wurde als weißer gaußverteilter mittelwertfreier Rauschprozeß<br />
mit folgender Varianz modelliert:<br />
E {w(k) · w(k)} = σ 2 =1· 10 −2 (5.94)<br />
Das WRLS-Verfahren zeigte divergentes Verhalten und wird in der dargestellten Abbildung<br />
5.8 nicht gezeigt.<br />
Das LKF-Verfahren wird als Parameterschätzer eingesetzt und kann den Eingangsrauschprozeß<br />
nicht, wie beim Kalman-Filter üblich, durch die Driving-Noise Kovarianzmatrix<br />
darstellen, da der Regressionsansatz verwendet wird. Die Folge hiervon ist, daß<br />
das Verfahren biased Estimates liefert, wie in der Abbildung 5.8 zu sehen ist.<br />
Nur das RML-Verfahren kann die wahren Parameter schätzen und konvergiert nach 400<br />
Zyklen. Der Grund hierfür liegt in dem implementierten Formfilteransatz in ARMAX-<br />
Struktur, der besonders für auftretende Rauschprozesse in Eingangsnähe geeignet ist<br />
(siehe Gleichung (2.42)).<br />
77