Идентификация объектов управления. Семенов А.Д - 156 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

Алгоритм (6.29) аналогичен РМВП (5.47). При формировании нового
значения оценки вектора параметров
)1(
+
k
θ
используются не сами значения
e(k), а их преобразованные значения
[
]
)()(
*
keke
η
=
, вектор данных также
)(
k
Ψ
формируется не по отсчетам процесса y(k), а по преобразованным в
соответствии с выражением (6.20) значениям y*(k).
Поскольку строгий синтез адаптивных алгоритмов является сложной
проблемой, в большинстве случаев используется эвристический подход с
последующим анализом оценки качества синтезируемого алгоритма [18].
Робастный алгоритм (6.29) может быть использован для оценивания
параметров линейной АРСС-модели , измеряемой
на фоне аномальных
выбросов. Статистические испытания алгоритма (6.29) показали, что он
эффективно работает только в случае одиночных импульсных помех. В
реальных ситуациях, когда кратность сбоев превышает единицу (K > 1),
наблюдается расходимость алгоритма, выражающаяся в постоянно
возрастающей разности между прогнозируемыми и реальными значениями
процесса. Рассмотрим несколько модификаций робастного алгоритма (6.29),
которые не имеют срыва слежения:
1. Алгоритм с заменой искаженного значения на предыдущее значение
процесса, т. е. с функцией
)(y
с
η
вида:
()
(
)
(
)
() ()
⎪
⎩
⎪
⎨
⎧
>−
≤
=
,cσke,ky
;cσke,ky
y
e
e
kc
если1
если
η
(6.29)
где e(k) – ошибка одношагового предсказания (6.11).
2. Алгоритм с заменой первых к – 1 искаженных отсчетов на прогноз
)1()(
−kk
T
Ψθ
и рестартом RS после к подряд идущих сбоев с сохранением
информации о векторе измерений и матрице ковариаций, т. е. с функцией
)(y
с
η
: 
         Алгоритм (6.29) аналогичен РМВП (5.47). При формировании нового

значения оценки вектора параметров θ(k + 1) используются не сами значения

e(k), а их преобразованные значения e (k ) = η[e(k )] ,
                                     *
                                                                 вектор данных также
Ψ (k ) формируется не по отсчетам процесса y(k), а по преобразованным в

соответствии с выражением (6.20) значениям y*(k).
         Поскольку строгий синтез адаптивных алгоритмов является сложной
проблемой, в большинстве случаев используется эвристический подход с
последующим анализом оценки качества синтезируемого алгоритма [18].
         Робастный алгоритм             (6.29) может быть использован для оценивания
параметров линейной АРСС-модели , измеряемой на фоне аномальных
выбросов. Статистические испытания алгоритма (6.29) показали, что он
эффективно работает только в случае одиночных импульсных помех. В
реальных ситуациях, когда кратность сбоев превышает единицу (K > 1),
наблюдается          расходимость           алгоритма,   выражающаяся    в   постоянно
возрастающей разности между прогнозируемыми и реальными значениями
процесса. Рассмотрим несколько модификаций робастного алгоритма (6.29),
которые не имеют срыва слежения:
         1. Алгоритм с заменой искаженного значения на предыдущее значение

процесса, т. е. с функцией η с ( y ) вида:
                    ⎧⎪ y (k ), если e(k ) ≤ cσ e ;
         ηc ( yk ) = ⎨
                     ⎪⎩ y (k − 1), если e(k ) > cσ e ,
                                                                (6.29)
         где e(k) – ошибка одношагового предсказания (6.11).
         2. Алгоритм с заменой первых к – 1 искаженных отсчетов на прогноз
θ T (k )Ψ (k − 1) и рестартом RS после к подряд идущих сбоев с сохранением

информации о векторе измерений и матрице ковариаций, т. е. с функцией
η с ( y) :

Страницы