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 />
10<br />
5<br />
0<br />
-5<br />
x1 Schätzwert<br />
Istwert<br />
-10<br />
0 20 40 60 80<br />
100<br />
x2<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
-20<br />
0 20 40 60 80<br />
100<br />
1<br />
0.5<br />
0<br />
-0.5<br />
x3<br />
-1<br />
0 20 40 60 80<br />
100<br />
Abtastschritte<br />
Abbildung {3.8}: Extended Kalman-Filter, Parameterhypothese D 1 =0, Kovarianz<br />
des dritten Zustands Q3=10 -4<br />
Zusammenfassend kann man sagen, daß das Extended Kalman-Filter für die gleichzeitige<br />
Schätzung der Zustände und des Parameters bei diesem Benchmarkmodell nur bedingt geeignet<br />
ist. Es reagiert sehr empfindlich auf den Startwert und die Prozeßrauschkomponente des<br />
Zustands, der den unbekannten Parameter repräsentiert. Sind beide günstig gewählt, ergibt<br />
sich ein ordentliches Filterverhalten (siehe Abbildung {3.6}).<br />
,PSOHPHQWLHUXQJ XQG (UJHEQLVVH GHU 0D[LPXP /LNHOLKRRG 0HWKRGH<br />
Das Zustandsraummodell aus Glg. [3.3.1] wird in einem linearen, adaptiven Kalman-Filter<br />
realisiert und die Güte der Schätzung durch Parametervariationen unterstrichen.<br />
Implementierung<br />
Die Gleichungen der Max<strong>im</strong>um Likelihood Methode wurden in Kapitel 3.1.5 beschrieben. Es<br />
müssen nur noch die Ableitungen des Zustandsraummodells von Glg. [3.3.1] und Glg. [3.3.2]<br />
nach den unbekannten Parametern gebildet werden. Der einzige unbekannte Parameter ist in<br />
der Zustandsübergangsmatrix $ enthalten.<br />
Seite 65