Nomenklatur - im ZESS
Nomenklatur - im ZESS
Nomenklatur - im ZESS
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3. Adaptive Kalman-Filter<br />
Zustandsraummodellierung, wie in Kapitel 3.1.1 definiert, schätzen kann, nicht erfüllt. Deshalb<br />
scheiden diese Verfahren aus.<br />
Sowohl mit dem Adaptionsalgorithmus nach Bayes, als auch mit der Methode nach Max<strong>im</strong>um<br />
Likelihood, können die unbekannten Parameter einer allgemeinen Zustandsraummodellierung<br />
best<strong>im</strong>mt werden. Beide Verfahren sind außerdem ähnlich rechenzeitintensiv. Allerdings muß<br />
bei dem Verfahren nach Bayes die Verteilungsdichte der unbekannten Parameter bekannt sein.<br />
Hier entsteht eine Unsicherheit, da oftmals diese a priori Kenntnisse der Parameter nicht hinreichend<br />
genau bekannt sind. Somit läßt sich über die Opt<strong>im</strong>alität dieser Schätzwerte keine<br />
Aussage machen. Um die Methode nach Bayes überhaupt online-fähig zu machen, muß der<br />
Wertebereich der Parameter diskretisiert werden. Diese Gründe sprechen damit gegen das<br />
Verfahren nach Bayes.<br />
Ein weiterer Vorteil der Max<strong>im</strong>um Likelihood Methode ist, daß auch bei fehlenden statistischen<br />
Voraussetzungen die Schätzung dennoch, mit steigender Anzahl von Meßwerten, gegen<br />
den wahren Wert konvergiert.<br />
⇒ Somit wird das adaptive Kalman-Filter nach der Max<strong>im</strong>um Likelihood Methode verwendet,<br />
um gleichzeitig unbekannte Zustände und Parameter zu schätzen<br />
In der Abbildung {3.3} ist das Flußdiagramm dieses Verfahrens dargestellt.<br />
Seite 54
Change language