Nomenklatur - im ZESS

3. Adaptive Kalman-Filter
Extended Kalman-Filter
+ Das Extended Kalman-Filter ist auch für nichtlineare Systeme geeignet und daher universell
einsetzbar.
+ Die Adaption der Parameter ist in allen System- und Meßmatrizen möglich.
+ Mit Parameterschätzung ergibt sich ein geringerer Rechenaufwand als bei der Maximum
Likelihood Methode.
− Die Startwerte und Prozeßrauschkomponenten sind ausschlaggebend für die Konvergenz.
− Die Bestimmung der Kovarianzen des Prozeßrauschens ist schwierig.
− Die Stabilität des Extended Kalman-Filter ist nicht allgemein nachweisbar.
3.4 Zusammenfassung
In diesem Kapitel wurden verschiedene adaptive Kalman-Filter Verfahren miteinander verglichen
und bewertet. Von adaptiv wird in diesem Zusammenhang gesprochen, wenn gleichzeitig
zur Schätzung unbekannter Zustände eines dynamischen Systems, unbekannte, langsam
veränderliche Parameter mitgeschätzt werden können. Der Schwerpunkt liegt bei den Verfahren,
bei denen das Zustandsraummodell linear bleibt. Hier hat sich das Verfahren nach Maximum
Likelihood als die Methode herausgestellt, die am besten die gewünschten Anforderungen
(keine Vorkenntnisse über die Verteilungsdichte der unbekannten Parameter notwendig,
unbekannte Parameter können im gesamten Zustandsraummodell vorhanden sein) erfüllt.
Anschließend wurde das Extended Kalman-Filter als nichtlineare adaptive Methode kurz besprochen.
Beide Verfahren wurden dann anhand eines Benchmark-Modells miteinander verglichen.
Die Maximum Likelihood Methode stellte sich als die bessere Methode heraus, wenn
bei einem linearen Zustandsraummodell unbekannte Parameter mitbestimmt werden sollen.
Seite 70