Nomenklatur - im ZESS
Nomenklatur - im ZESS
Nomenklatur - im ZESS
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3. Adaptive Kalman-Filter<br />
⎫<br />
⎡<br />
1<br />
[ ( ), $ ] [ ( ), $ ] ⎬<br />
⎢ () ��<br />
3�� N<br />
3�� N<br />
( V � \ N D V \ N D VS 3 N<br />
3 ()<br />
�<br />
�� N<br />
− ��<br />
�<br />
�<br />
�<br />
�<br />
⋅<br />
⎧<br />
⎤<br />
⎨<br />
= ⋅ ⋅ ⋅ ⋅ ⎥<br />
⎩<br />
−<br />
⎭ ⎢<br />
⎥<br />
⎣<br />
⎦<br />
+<br />
∂<br />
∂<br />
−1 −−<br />
−1 −−<br />
= α 2 −− ∂α −− ∂α<br />
()<br />
()<br />
[ $ N $<br />
VS 3 () N &() �� ⋅ N ⋅(<br />
−<br />
⋅<br />
D�<br />
D<br />
−<br />
⎡<br />
⎧ + +<br />
⎢<br />
⎪∂<br />
−1<br />
⎢<br />
⎨<br />
−−<br />
⎢<br />
⎪ ∂ ∂<br />
⎣<br />
⎩<br />
⎡<br />
⎢<br />
VS⎢3�� N<br />
−−<br />
⎢<br />
⎣<br />
()<br />
−1<br />
⎧<br />
∂&N<br />
() ⎪ +<br />
⋅ ⋅(<br />
⎨[<br />
$ N<br />
∂α −<br />
� ⎪<br />
⎩<br />
∂ ()<br />
∂α<br />
() ∂ [ () N<br />
()<br />
⎡<br />
⎧ +<br />
⎢<br />
1 ⎪∂<br />
[ $ N<br />
−<br />
VS () ⋅ () ⋅<br />
−<br />
⎢3��<br />
N & N ( ⎨<br />
−−<br />
⎢<br />
⎪ ∂D<br />
�<br />
⎣<br />
⎩<br />
⎡<br />
VS⎢3�� N<br />
−− ⎣⎢<br />
()<br />
�<br />
()<br />
()<br />
�<br />
{ $ () $ () }<br />
− 1<br />
+ +<br />
⋅ −<br />
+<br />
∂ [ $ N<br />
∂D<br />
+<br />
⋅ [ $ N<br />
−<br />
&N<br />
⋅ ⋅(<br />
[ N ⋅ [ N<br />
− −<br />
�<br />
�<br />
�<br />
�<br />
�<br />
()<br />
( ) = α<br />
� �<br />
� �<br />
�<br />
( ) = � α<br />
�� �<br />
( ) = � α<br />
�� �<br />
�<br />
⎫<br />
⎪<br />
⎬ ⋅<br />
⎪<br />
⎭<br />
∂&N<br />
⋅<br />
∂α<br />
� ⎤<br />
⎥<br />
� ⎦⎥<br />
�<br />
()<br />
⎫<br />
⎪<br />
⎬ ⋅ &N<br />
⎪<br />
⎭<br />
()<br />
⎫<br />
⎪<br />
⎬ ⋅ &N<br />
⎪<br />
⎭<br />
()<br />
∂&N<br />
()<br />
∂α<br />
Damit sind alle Gleichungen best<strong>im</strong>mt, um das adaptive Kalman-Filter nach der Max<strong>im</strong>um<br />
Likelihood Methode, zur Schätzung von Zuständen und Parametern, zu berechnen.<br />
Allerdings ist der Rechenaufwand für die beiden letzten Gleichungen hoch, da der Erwartungswert<br />
in beiden Gleichungen best<strong>im</strong>mt werden muß. Deshalb wird die Erwartungswertbildung<br />
durch die folgende Gleichung ersetzt:<br />
∂ [ $ N $<br />
(<br />
−<br />
⋅<br />
∂D�<br />
∂D<br />
−<br />
⎧ − −<br />
⎪<br />
⎨<br />
⎪<br />
⎩<br />
() ∂ [ () N<br />
�<br />
�<br />
( ) = α<br />
�� � �<br />
�<br />
⎫<br />
∂ [ $ ∂ [ $<br />
⎪ ~ �<br />
�<br />
⎬ =<br />
⎪ ∂α ∂α<br />
�<br />
�<br />
⎭<br />
− ⋅ −<br />
− −<br />
Eine heuristische Begründung für diese Näherung könnte wie folgt aussehen. Durch die Methode<br />
des VFRULQJ wurde die zweite Ableitung der Likelihoodfunktion durch die bedingte Informationsmatrix<br />
ersetzt, bei der der Erwartungswert über die jeweilige Sequenz von Daten<br />
gebildet wurde. In Glg. [3.1.76] fällt nun diese Erwartungswertbildung wieder heraus. Die<br />
gleiche Näherung wird auch für die anderen Erwartungswertbildungen in Glg. [3.1.75] ange-<br />
� �<br />
wendet. Hierdurch und mit ; ⋅ < = VS { ; ⋅ < } können Glg. [3.1.74] und Glg. [3.1.75] in ihre<br />
endgültige Form gebracht werden:<br />
�<br />
�<br />
�<br />
�<br />
�<br />
⎤<br />
⎥<br />
⎥ +<br />
⎥<br />
⎦<br />
⎤<br />
⎥<br />
⎥ +<br />
⎥<br />
⎦<br />
⎤<br />
⎥<br />
⎥ +<br />
⎥<br />
⎦<br />
[3.1.75]<br />
[3.1.76 ]<br />
Seite 48