پروژه متلب فیلتر ناظر کالمن بر روی شناسایی سیستم متغیر
شبیه سازی فیلتر ناظر کالمن بر روی شناسایی سیستم متغیر با متلب | MATLAB
برای محاسبه پارامترهای مارکوف برای یک ناظر یا فیلتر کالمن برای سیستم‌های مختلف زمان گسسته از داده‌های تجربی ورودی – خروجی ارایه شده‌است. روابط بین پارامترهای مارکوف ناظر عمومی و پارامترهای مارکوف سیستم برای زمان متغیر زمان مشتق می‌شوند. یک روش سیستماتیک برای محاسبه توالی متغیر پارامترهای مارکوف سیستم و متغیرهای ناظر متغیر زمان (یا Kalman)دنباله پارامتر مارکوف را از زمان تعمیم‌یافته پارامترهای مارکوف متغیر وابسته به زمان تعمیم می‌دهد. نشان‌داده شده‌است که این روش یک تعمیم زمان متفاوت از روابط بازگشتی است که برای حالت پایدار زمان با استفاده از یک مدل Autoregressive با یک ورودی بیرونی (مدل ARX)توسعه‌یافته است – در یک روش شناخته‌شده به عنوان شناسایی فیلتر کالمن (OKID). این زمان تعمیم‌یافته با تغییر روابط ورودی – خروجی با ناظر متغیر زمان در حلقه به عنوان مدل Autoregressive تغییر زمان تعمیم‌یافته با یک ورودی بیرونی (GTV – ARX)در این مقاله یاد می‌شود. بنابراین پارامترهای مارکوف سیستم تعمیم‌یافته از طریق الگوریتم ادراک Eigensystem Time (TVERA)توسعه‌یافته توسط نویسندگان مورد استفاده قرار می‌گیرند تا یک مدل فضای حالت مجزا متفاوت را به دست آورند. رابطه کیفی یک ناظر متغیر زمان با ناظر Kalman در محیط تصادفی و به طور مجانبی کم‌تر است.
مهمترین کمک در شناسایی سیستم تعیین یک مدل ریاضی از دینامیک های سیستم به وسیله دیتا های قابل مشاهده سیستم است.
مدل های پارامتری:
ساختار مدل انتخاب می شود و پارامترهای مدل تخمین زده می شود
مدل های غیر پارامتری:
ساختار سیستم از روی دیتا ها تعیین می شود و بر کورولیشن داده ها و اطلاعات آماری تکیه دارد
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد