Оценивание и управление в дискретных стохастических системах со случайными скачкообразными параметрами в условиях неполной информации тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Ким Константин Станиславович
- Специальность ВАК РФ05.13.01
- Количество страниц 142
Оглавление диссертации кандидат наук Ким Константин Станиславович
Введение
1 Фильтрация и экстраполяция в дискретных системах с неизвестным входом, неизвестными параметрами и мультипликативными возмущениями с использованием процедур сглаживания
1.1 Постановка задачи главы
1.2 Фильтрация в дискретных линейных системах с неизвестными параметрами, неизвестным входом и мультипликативными возмущениями
1.2.1 Определение оценок фильтрации вектора состояния (нестационарный случай)
1.2.2 Определение оценок фильтрации вектора состояния (стационарный случай)
1.2.3 Определение оценок неизвестного входа в задаче фильтрации
1.2.4 Определение оценок неизвестного входа в канале наблюдений
1.3 Экстраполяция в дискретных линейных системах с неизвестными параметрами, неизвестным входом и мультипликативными возмущениями
1.3.1 Определение оценок экстраполяции вектора состояния (нестационарный случай)
1.3.2 Определение оценок экстраполяции вектора состояния (стационарный случай)
1.3.3. Определение оценок неизвестного входа в задаче экстраполяции
1.4 Результаты численных расчетов главы
1.5 Выводы по главе
2 Фильтрация и экстраполяция для объектов со случайными скачкообразными параметрами при неизвестном входе
2.1 Постановка задачи главы
2.2 Фильтрация в дискретных системах со случайными скачкообразными параметрами и неизвестным входом
2.2.1 Решение задачи фильтрации вектора состояния (нестационарный случай)
2.2.2 Решение задачи фильтрации вектора состояния (стационарный случай)
2.2.3 Определение оценок неизвестного входа в задаче фильтрации для систем со скачкообразными параметрами
2.3 Экстраполяция в дискретных системах со случайными скачкообразными параметрами и неизвестным входом
2.3.1 Решение задачи экстраполяции вектора состояния (нестационарный случай)
2.3.2 Решение задачи экстраполяции вектора состояния (стационарный случай)
2.3.3 Определение оценок неизвестного входа в задаче экстраполяции для систем со скачкообразными параметрами
2.4 Оценивание в системах с мультипликативными возмущениями и скачкообразными параметрами
2.4.1 Модель объекта, постановки задач оценивания
2.4.2 Задача фильтрации
2.4.3 Задача экстраполяции
2.5 Результаты численных расчетов главы
2.6 Выводы по главе
3 Идентификация и робастное оценивание для объектов с неизвестным входом и со случайными скачкообразными параметрами
3.1 Постановка задачи главы
3.2 Идентификация скачкообразного параметра в задачах оценивания состояния дискретной системы с неизвестным входом
3.3 Робастная фильтрация
3.3.1 Синтез нестационарного фильтра
3.3.2 Синтез стационарного фильтра
3.3.3 Робастная фильтрация для объекта с мультипликативными возмущениями. Сведение двухточечной задачи к задаче Коши
3.4 Робастная экстраполяция
3.4.1 Синтез нестационарного экстраполятора
3.4.2 Синтез стационарного экстраполятора
3.4.3 Робастная экстраполяция для объекта с мультипликативными возмущениями. Сведение двухточечной краевой задачи к задаче Коши
3.5 Результаты численных расчетов главы
3.6 Выводы по главе
4 Применение алгоритмов оценивания вектора неизвестного входа в задачах управления системами со случайными скачкообразными параметрами в модели возмущений
4.1 Постановка задачи главы
4.2 Синтез локально-оптимального управления для объекта с запаздыванием в условиях неполной информации
4.3 Управление запасами при неполной информации о спросе
4.4 Выводы по главе
Заключение
Список условных обозначений
Список литературы
Приложение А Акт о внедрении результатов кандидатской диссертации в учебный процесс НИ ТГУ
Введение
Актуальность темы исследования. Диссертационная работа посвящена проблеме синтеза систем обработки информации повышенной точности и их применению в системах управления для дискретных объектов, модели которых описываются стохастическими разностными уравнениями со случайными скачкообразными параметрами (которые представляются как цепи Маркова), с неизвестными входами и случайными аддитивными и мультипликативными возмущениями.
Задачи построения оценок и управлений для систем со случайными скачкообразными параметрами и с неизвестными возмущениями актуальны для различных реальных объектов. В качестве примеров таких объектов можно рассмотреть:
- Энергетические системы E. Sales-Setien [126], L. Li [115], V.A.Ugrinovskii [140] (скачкообразный процесс для моделирования случайных изменений нагрузки, отключений генераторов и отказов линии электропередачи ).
- Системы управления летательными аппаратами H. Zhang [152], W.S. Gray [99] (примером применения является ситуация, когда бортовые электронные устройства случайным образом выходят из строя из-за внешних помех: молнии, тепловые шумы и радиопомехи).
- Системы связи Y. Zhu [156], J. Wang [142], O.L.V. Costa [84] (для того, чтобы избежать потери данных, необходимо использовать контролеры, которые учитывают скачкообразно изменяющиеся характеристики сети).
- Задачи обнаружения неисправностей H. Wang [143], X. Yao [149], G. Gagliardi [94] (Данная задача возникает в различных технических системах).
- Экономические системы W.P. Blair [85], O.L.V. Costa [83], L.E.O. Svensson [137], В.В. Домбровский [10, 92] (один из вариантов использования -сведение экономической системы к модели, зависящей от трех состояний: «средний уровень», «подъем» и «спад», при этом переходы из состояний описываются цепью Маркова).
Задача обработки информации является одной из важнейших в теории оптимальных стохастических систем. Эта задача используется для синтеза систем управления при косвенных измерениях вектора состояния. Основы теории обработки информации были сформулированы А.Н. Колмогоровым [24] и Н. Винером (N. Wiener) [144]. Дальнейшее развитие методов обработки информации выполнено в работах следующих авторов: R.E. Kalman [104], В.С. Пугачев, И.Н. Синицин [51], G.A. Hewer [100], P.J. McLane [121], N.C. Mohanty [123], Р.Ш. Липцер, А.Н. Ширяев [29], A. Bensoussan [72].
Задачи построения оценок в стохастических системах со скачкообразными параметрами рассмотрены в работах W.P. Blair [75], E. K. Boukas [76], E.F. Costa [81], O.L.V. Costa [82, 84, 85], D.O. Cajueiro [77], A. M. De Oliveira [89], G. Gagliardi [94], H. Geng [95], M.J.F. Gomes [98], W. Liu [118], F. Li [114], Y. Li [116], X. Li [117], M. Mariton [120], S. Mahmoud [119], P. Shi [127], E. Sales-Setien [126], L.E.O. Svensson [137], P. Shi [128], J. Wang [142], H. Wang [143], X. Yao [150], Y. Yang [149], Y. Zhu [156], M. Zhong [154], Q. Zhong [155], L.D.P. Carvalho [78], Н.Н. Красовский, Э.А. Лидский [27], БМ. Mиллер [122], Г.И. Белявский [2], В.А. Васильев, Т.В. Догадова [91], В.И. Смагин, С.С. Ломакина [32, 60] и др., а близкие к этому направлению получены результаты в работах В.В. Конева, С.Э. Воробейчикова и Ю.Б. Буркатовской [7, 110, 141], в которых рассматривались задачи разладки случайных процессов.
Анализ литературы подтверждает актуальность задач разработки оптимальных и робастных алгоритмов и методов фильтрации и экстраполяции повышенной точности в условиях неполной информации для систем с неизвестными параметрами, неизвестным входом (возмущениями), при аддитивных и мультипликативных возмущениях, а также для систем со скрытыми скачкообразно изменяющимися параметрами. По-прежнему, остаются актуальными задачи обработки информации для систем с неизвестным входом, также для систем со скачкообразными параметрами и задачи повышения точности оценивания состояний и возмущений для таких систем. Задачи обработки информации широко используются в системах управления, поэтому важной и
актуальной задачей также являются вопросы применения методов обработки информации для управления сложными системами с неполной информацией о возмущениях и с учетом запаздываний.
Степень разработанности темы. В последние годы интенсивно развивались методы вычисления оценок вектора состояния совместно с оценками неизвестного возмущения (входа) M. Abolhasani [68], BB. Cui [86], M. Darouach [87, 88], A. Germani [96], C-S. Hsien [102], M. Hou [101], D. Janczak [103], H. Kong [111], Y. Wu [147], S.E. Yong [151], T. Bessaoudi [73], С.В. Смагин [62], В.И. Смагин, Г.М. Кошкин [59, 134, 135, 112, 113] и др. В работах K. Astrom, P. Eykhoff [69], J. Chen, R.J.Patton [79] рассматриваются алгоритмы расширения пространства состояний (к основной модели объекта добавляется модель ненаблюдаемого возмущения. В.И. Смагин [55-57] использовал для построения оценок компенсационный подход. В работах M. Darouach [87, 88], S. Gillijns, B. Moor [97], M. Hou, R. Patton [101] использовались подходы оценивания возмущений (неизвестного входа) без расширения пространства состояний, на основе методов МНК. В работах В.И. Смагина и Г.М. Кошкина [112, 113, 135] помимо методов МНК дополнительно используются алгоритмы непараметрического сглаживания на основе ядерных оценок регрессии Надарая-Ватсона.
В задачах обработки информации и управления процесс Маркова, описывающий скачкообразные процессы, часто является скрытым (в литературе такие процессы называют Hidden Markov Model (HMM)). Задачи оценивания скрытых марковских процессов рассматривались в работах B.M. Miller [122], J. Bilmes [74], S. Donnet [93], M. Awad [71], T. Ryden [125] и др. Так в [74, 93, 71] рассматривались EM-алгоритмы, в которых состояния скрытой цепи оценивались с использованием функции максимума правдоподобия. В работе [125] предложена версия ЕМ-алгоритма, использующая метод Монте-Карло. В работе [122] предложен рекурсивный фильтр, который относится к типу «ветвящегося», его размерность растет с каждым скачком скрытого марковского процесса.
Отметим, что в системах оценивания состояний стохастических систем нашли широкое применение робастные методы. Эти методы применяются для случаев, когда описание параметров модели содержат неопределённости (эти неопределенности могут быть различных видов) S. Mahmoud [119], E.K. Boukas [76], M.H. Terra [139], S. Xu [149], J. Chen [79], F. Li [114], A.M. De Oliveira [89], В.И. Смагин, С.С. Ломакина [30, 31, 33, 34, 61, 136]. Робастные методы рассматривались для случая, когда в объекте присутствует неизвестные (не наблюдаемые или частично наблюдаемые) возмущения M.H. Terra [139], Y. Yang [149]. Также в ряде работ рассмотрены задачи робастного оценивания для случая неизвестных вероятностей перехода скачкообразного параметра из различных состояний D. Zhao [153], Q. Zhong [155], X. Li [117], Е.А. Перепелкин [48].
Для управления объектами, модели которых содержат неопределенные параметры, широко применяются методы адаптивного и робастного управления В.Н. Буков [6], M.M. Kogan [109], А.А. Красовский [25], Е.В. Бодянский [3], S. Oucheriah [124], В.Н. Фомин [64, 65], А.Л. Фрадков [66], М. Уонем [63], В.И. Смагин [58], М.Ю. Приступа [50], И.В. Мирошник [37], Б.Т. Поляк [49], А.А. Крассовский [26], Г.К. Кельманс [13], И.Е. Казаков [11], М.М. Коган [23]. Работы W.M. Wonham [146], D.D. Sworder [138], П.В. Пакшин [38-40] посвящены методам управления системами со скачкообразными параметрами. Теория этих методов достаточно хорошо разработана, однако, некоторые проблемы решения задач управления для объектов с возмущениями, модели которых содержат неизвестные параметры, в том числе и ненаблюдаемые скачкообразно изменяющиеся параметры, остаются не решенными для моделей объектов с запаздыванием в управлении.
Таким образом, в существующих работах рассматриваются методы алгоритмы обработки информации в условиях неполной информации. Диссертация посвящена развитию этих методов и разработке новых (в том числе робастных) методов, обеспечивающих обработку информации с повышенной точности, разработаны также новые более простые в компьютерной реализации методы диагностики скачкообразных параметров, входящих в описание модели
объекта. В диссертации дано также применение методов обработки информации повышенной точности в задаче управления запасами.
Объект исследования. Стохастические дискретные динамические системы со скачкообразно изменяющимися параметрами, с аддитивными и мультипликативными возмущениями и неизвестными входами, функционирующие в условиях неполной информации о состоянии.
Цель диссертационной работы. Разработка методов робастной фильтрации и экстраполяции для объектов со скачкообразными параметрами, аддитивными и мультипликативными возмущениями и неизвестным входом. Повышение точности методов обработки информации. Разработка алгоритмов идентификации скачкообразно изменяющихся параметров. Решение задач управления стохастическим объектом при наличии запаздываний в контуре управления и при неполной информации о возмущениях.
Основные задачи:
1. Построить оценки фильтрации и экстраполяции для объектов с неизвестными входами, аддитивными и мультипликативными возмущениями, и со случайными скачкообразными параметрами, которые полностью доступны наблюдению.
2. Разработать алгоритм идентификации значений скачкообразных параметров для объектов с неизвестным входом и аддитивными и мультипликативными возмущениями.
3. Разработать алгоритмы робастного оценивания для объектов с неизвестным входом и со случайными скачкообразными параметрами.
4. Построить локально-оптимальное управление для объекта с запаздыванием и неполной информации о скачкообразно изменяющемся возмущении.
5. Выполнить исследование алгоритмов с помощью вычислительных экспериментов.
Методы исследования. Для достижения поставленных в диссертационной работе цели и задач используются методы математического анализа, теории
управления, теории вероятностей и математической статистики, теории случайных процессов, численные методы и методы имитационного моделирования.
Научная новизна:
1. Построены дискретные фильтры и экстраполяторы, позволяющие вычислять несмещенные оценки для систем с аддитивными и мультипликативных возмущениями, скачкообразно изменяющимися параметрами и с неизвестным входом в объекте и канале наблюдений.
2. Разработаны алгоритмы идентификации ненаблюдаемого скачкообразного параметра и алгоритмы робастной фильтрации и экстраполяции для определения оценок в условиях неполной информации о скачкообразно изменяющихся параметрах для систем с аддитивными и мультипликативными возмущениями и при наличии неизвестного входа.
Теоретическая значимость. Разработанные методы и алгоритмы реализуют дальнейшее развитие теории оценивания в системах с аддитивными и мультипликативными возмущениями, скачкообразно изменяющимися параметрами в условиях неполной информации.
Практическая значимость. Разработанные методы и алгоритмы, могут применяться в различных областях техники и экономики, в которых модели управляемых объектов имеют скачкообразно изменяющийся характер и неизвестные составляющие. Разработанные алгоритмы и методы можно рекомендовать для повышения качества (точности) обработки информации в системах управления со случайным изменением структуры.
Личный вклад. Постановка задачи сделана совместно с научным руководителем, профессором Смагиным Валерием Ивановичем. Основные результаты, представленные в диссертации, получены лично автором.
Реализация и внедрение результатов работы.
Исследование проводилось в рамках НИР: «Управление и фильтрация для дискретных систем при неполной информации и скачкообразными параметрами»,
поддержан грантом РФФИ 19-31-90080 (2018-2021 гг), НИ ТГУ (Руководитель проекта Смагин В.И.).
Материалы исследований используются в учебном процессе в Институте прикладной математики и компьютерных наук Томского государственного университета (Приложение А).
Основные положения, выносимые на защиту:
1. Решение задачи фильтрации и экстраполяции в дискретных системах с неизвестным входом, неизвестными параметрами и мультипликативными возмущениями с использованием процедур сглаживания.
2. Решение задачи фильтрации и экстраполяции для объектов с неизвестными входами, с мультипликативными возмущениями, и со случайными наблюдаемыми скачкообразными параметрами.
3. Алгоритмы идентификации (оценивания) значений скачкообразного параметра для объектов с неизвестным входом.
4. Алгоритмы робастной фильтрации и экстраполяции для объектов с неизвестным входом, аддитивными и мультипликативными возмущениями и со скрытыми случайными скачкообразными параметрами.
5. Решение задач управления запасами с учетом запаздываний и с использованием методов робастной обработки информации.
Достоверность и обоснованность полученных результатов подтверждаются строгими математическими выкладками с использованием аппарата линейной алгебры, теории управления, теории случайных процессов и теории вероятностей и математической статистики, результатами численных расчетов и результатами моделирования.
Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК
Синтез локально-оптимальных систем управления выходом для дискретных стохастических объектов с неполной информацией2010 год, кандидат технических наук Смагин, Сергей Валерьевич
Анизотропийная фильтрация для линейных дискретных нестационарных систем с мультипликативными шумами2021 год, кандидат наук Белов Иван Романович
Методы оптимальной обработки нестационарных случайных марковских сигналов со скачкообразными изменениями параметров и импульсными возмущениями1998 год, доктор физико-математических наук Силаев, Андрей Михайлович
Методы синтеза следящих систем управления по квадратичным критериям в условиях неполной информации1997 год, доктор технических наук Смагин, Валерий Иванович
Оценивание, распознавание и передача информации в стохастических системах в случае совокупности непрерывных и дискретных наблюдений с памятью2004 год, доктор физико-математических наук Рожкова, Светлана Владимировна
Введение диссертации (часть автореферата) на тему «Оценивание и управление в дискретных стохастических системах со случайными скачкообразными параметрами в условиях неполной информации»
Апробация работы.
Результаты диссертации докладывались на следующих научных конференциях:
1 . The second international summer school оп information Technologies for Complex System Analysis and Synthesis (IT CoSAS'2015) (Россия, Анапа, 2015);
2. VI, VII, VIII Международные молодежные научные конференции «Математическое и программное обеспечение информационных, технических и экономических систем» (Томск, 2018, 2019, 2020);
3. The International Conference on Information and Digital Technologies (ITD 2016, ITD 2017) (Польша, Жешув, 2016, Словакия, Жилина, 2017);
4. The Second International Symposium on Stochastic Models in Reliability Engineering, Life Science and Operations Management (SMRLO 2016) (Израиль, Беэр-Шева 2016);
5. IV International research conference «Information technologies in Science, Management, Social sphere and Medicine» (ITSMSSM 2017). (Tomsk, 2017);
6. XVII Международная конференция им. А.Ф. Терпугова «Информационные технологии и математическое моделирование» (ITMM - 2018) (Томск, 2018);
7. Международная конференция «Новые информационные технологии в исследовании сложных структур» (ICAM 2020) (Алтай, 2018, Томск, 2020);
8. The International Workshop «Applied methods of statistical analysis. Statistical computation and simulation» (AMSA-19) (Новосибирск, 2019).
Публикации. По материалам диссертации опубликовано 19 работ, из них 7 статей [14, 15, 17, 21, 22, 106, 108] в журналах, включенных в Перечень рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук (в том числе 6 статей в российских научных журналах, входящих в Web of Science); 6 статей [105, 107, 130-133] в сборниках материалов международных конференций, представленных в изданиях, входящих в Web of Science и / или Scopus; 6 публикаций [16, 18, 19, 53, 129] в сборниках материалов всероссийской с международным участием и международных конференций.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка условных обозначений, списка литературы и одного приложения. Объем диссертации составляет 142 страницы, включая 48 рисунков и 16 таблиц; список литературы содержит 156 наименования.
Благодарности. Выражаю глубокую благодарность научному руководителю доктору технических наук, профессору Смагину Валерию Ивановичу за помощь в написании диссертации. За содействие и поддержку автор выражает признательность доктору физико-математических наук, профессору Кошкину Геннадию Михайловичу.
1 Фильтрация и экстраполяция в дискретных системах с неизвестным входом, неизвестными параметрами и мультипликативными возмущениями
с использованием процедур сглаживания
В настоящей главе выполнена разработка алгоритмов фильтрации и экстраполяции в условиях неполной информации для систем с неизвестными параметрами, неизвестным входом, при аддитивных и мультипликативных возмущениях. Аддитивные возмущения, независящие от состояния и управления, являются внешними воздействиями, действующими на объект, а мультипликативные обычно интерпретируют как возмущения в моделях со случайно изменяющимися (флуктуирующими) параметрами.
Разностные уравнения с неизвестными параметрами, аддитивными и мультипликативными возмущениями могут использоваться в качестве моделей реальных физических, технических и экономических и др. систем при решении задач обработки информации и в задачах управления при косвенных измерениях вектора состояния при наличии или отсутствии в каналах наблюдений вектора неизвестных входов.
Во введении к диссертации отмечено, что часто методы вычисления оценок вектора состояния основываются на алгоритмах, использующих оценки неизвестного возмущения [3, 62, 55, 56, 57, 59, 96, 102, 103, 112, 134, 135, 145]. В работах [69, 79] рассматриваются алгоритмы расширения пространства состояний (к основной модели объекта добавляется модель ненаблюдаемого возмущения). В работах [87, 88, 97, 101] используются подходы оценивания возмущений (неизвестного входа) без расширения пространства состояний, на основе методов МНК. Однако в этих работах не рассмотрены задачи фильтрации и экстраполяции для систем с неизвестными параметрами, мультипликативными возмущениями и неизвестными входами.
В главе также рассмотрены задачи повышения точности фильтрации и экстраполяции в системах с неизвестными параметрами и мультипликативными
возмущениями за счет использования алгоритмов сглаживания оценок неизвестного входа.
Основные результаты главы опубликованы в работах [15, 16, 53, 105, 131,
132].
1.1 Постановка задачи главы 1
Пусть дискретная управляемая система описывается уравнением: х(к +1) = Ё(х(к), и (к), А, к) + к(д(к), /(к), х(к), и (к), к)
х (0) = х0, .
где х(к) - вектор состояния, и(к) - вектор управления (известный вход), /(к) -вектор неизвестного входа, А - неизвестные постоянные параметры (скалярные величины, векторы или матрицы), д(к) - векторная случайная последовательность, х0 - начальное условие. В (1.1) функция Ё(х(к), и(к), А, к) определяет динамику системы и удовлетворяет условию Липшица, функция ^(д(к), _Дк), х(к), и(к), к) определяет возмущение, действующее на объект.
Предполагается, что доступен наблюдению вектор Хк) (косвенные наблюдения)
у (к) = Ё (х(к), к) + к (л(к), у(к), к), (1.2)
где Хк) - вектор измерений, ц(к) - вектор неизвестного входа у(к) - вектор случайных ошибок измерений.
Конкретные постановки задач и аналитические решения задач приводятся в следующих разделах. Отметим, что задачи фильтрации и экстраполяции с учетом присутствия в модели скачкообразного процесса у(к) рассмотрены во второй и третьей главах.
1.2 Фильтрация в дискретных линейных системах с неизвестными параметрами, неизвестным входом и мультипликативными возмущениями
1.2.1 Определение оценок фильтрации вектора состояния (нестационарный
случай)
Пусть линейная модель объекта с неизвестным входом, неизвестными параметрами и мультипликативными возмущениями описывается разностным уравнением:
к
х(к +1) = (Л(к) + ДЛ(к)) х(к) + £ А (к) х(к Я (к) + (В(к) + ЛВ(к))и(к) +
5=1 (13)
+ Н(к)/(к) + ?(к), х(0) = х0,
где х(к) 6 В" - вектор состояния, и(к) 6 Ят -известный вход; Дк) 6 Ящ -неизвестный вход; х0 - начальное значение вектора состояния (предполагается, что вектор случайный с известной матрицей дисперсии N = М{(х0 -х0)(х0 -х0)т} и математическим ожиданием х0 = М{х0}); Л (к), В(к), Н, Л5(к) (б = 1..к ) - заданные матрицы соответствующих размерностей; АЛ (к), АВ(к) - матрицы неизвестных параметров; д(к) и 0s(k) - гауссовские случайные последовательности со следующими характеристиками: М{д(к)} = 0, М{д(к) дт(/')} = Q(k)5kj, М{ 0s (к)} = 0, М{ 0s (к) 0sT(/•)} = 0s(k)5k,j, где 5к,у - символ Кронекера.
Канал наблюдений имеет вид:
У(к) = 5 (к) х(к) + у(к), (1.4)
где у(к)6 Я1 - вектор наблюдения, у(к) - гауссовская случайная последовательность с характеристиками: М{у(к)} = 0, М{у(к) Ут(/)} = У(1к)Ьк^. Предполагается, что последовательности д(к), 05(к) и у(к) независимы между собой, для пары матриц £(к), Л (к) выполняется условие наблюдаемости по Калману [5], Q(k) > 0, > 0 (б = 1..ш2 ) и У(к) > 0.
Требуется найти соответствующую оптимальную оценку вектора состояния X(к +1) из наблюдений (1.4), полученных в момент времени к, для следующего критерия, заданного в интервале [ 0, Т ]:
T
т
J (0, Т) = М {£ ет (к) R(k )е(к)}, (1.5)
к=0
где e(k) = х(к) - Х(к) - вектор ошибок, Я(к) > 0 -весовая матрица. Представим модель (1.3) в следующем виде
к
х(к +1) = А(к) х(к) + £ АХк)^ + В(к)и(к) + г (к) + к), х(0) = х0, (1.6)
5=1
где г(к) - неизвестный вектор:
г(к) = АЛ(к)х(к) + АБ(к)ы(к) + И(к)/(к). (1.7)
Ниже, для простоты, дискретная переменная к в матрицах Л, В, Л3, АЛ, АБ, Б, Q, V, Qs опускается.
Для решения задачи фильтрации воспользуемся принципом разделения. Это означает, что мы сначала строим оценки вектора X (к) в предположении, что вектор г(к) известен, а затем строим оценки вектора Г(к) в предположении, что
известна оценка вектора состояния.
Для построения оценки воспользуемся алгоритмом рекуррентной
калмановской фильтрации, которая содержит оценки неизвестного входа:
Х(к +1) = АХ(к) + Ви(к) + Г(к) + К, (к )[у(к +1) - 5 (АХ(к) + Ви(к) + Г(к))],
_ (1.8) х(0) = х о,
где К/(к) - матрица коэффициентов передачи фильтра.
Теорема 1.1 Пусть существует положительно определенная матрица И(к) = М[в(к) е(к)т}, являющаяся решением уравнения:
к
И(к +1) = (А - Кг (к )5А) N (к)(А - К/ (к) 5А)т + (Е - К/ (к) 5 )[£ АД(к) А^т +
к ^ (19)
£ АхХ(к)Хт (к)А^т + Q] х (Е - Кг (к)5)т + Кг (к)УК}(к), N(0) = N •
5=1
Тогда матрица коэффициентов передачи, минимизирующая критерий (1.5), определится по формуле:
Kf (к) = л^^ (к) Лтт + ЛsN(k) ЛT + к^ Л5х (к) х (к )т Л5т +
Л
х
(1.10)
Л5х(к )х(к ) Л5 +
V 5=1 5=1
{ КК
х
SЛN(k) Лт5 т + ^ Л^(к) Л5Т + X Л5-х (к) хт(к) Л5т + т + Г
V 5=1 5=1
Доказательство. Уравнение (1.9) получается непосредственным вычислением матрицы Щ(к). Записав уравнение для вектора ошибок е(к):
к
е(к +1) = х(к +1) - х(к +1) = Лх(к) + X Лх(к + Ви(к) + г(к) + д(к) -
(111)
5=1
(Лх (к) + Ви(к) + г(к) + кг (к)[ у(к +1) - 5 (Лх(к) + Ви (к) + Г(к))]) =
= (Л - Кг (к)5Л)е(к) + (Е - Кг (к)Х Лх(к)0, +
5=1
+ (Е - Кг (к)^(к) - Кг (к)у(к),
где Е - единичная матрица соответствующей размерности, получим уравнение (1.9) для матрицы Щ(к) = М{е(к) е(к)т}.
Представим критерий (1.5) в виде:
J(0,T) = X ^ N (к) ад, (1.12)
к=0
где 1т - функция след матрицы. Тогда подставляя формулу (1.9) в уравнение (1.12)
со сдвигом на один такт, получим:
т
J (0,т) = а N^(0) + X Л - Кг (к -1) 5) N (к -1)( Л - К/ (к -1) 5)т +
к=1
+ (Е - К, (к -1) 5 )[Х Л5N (к -1) ЛТ + X Ах(к -1) хт(к -1) ЛТ + (1.13)
5=1 5=1
+ 0]( Е - К/ (к -1) 5 )т + К/ (к - 1)К (к - 1)]Я(к).
Используя правила дифференцирования функции след 1т от произведения матриц [1, 70]:
д*ЛХВ =вт,,^ = ВЛ, (1.14)
ах ах
и приравнивая частную производную по К производную к нулю:
а/ (0,т)
К
= 0, (1.15)
получим:
_ д и N0R(0)
5К7 " 5Ку
+
д т
+£1г [(А - К/{к -1)5) N (к -1)( А - К, (к -1)5 )т +
дК, к=1
+(Е - К, (к -1)5)[£ A5N(к -1) А5Т + £ А5Х(к -1)Xт(к -1) А] + ^^
5=1 5=1
х(Е - К (к -1)5)т + К (к - 1)К (к - 1Щк) = (1.16)
Т к к
= £[-2AN(к)Ат5т - 2[£А^(к)А + £А^к)Xт(к)А,т + Q]5т +
к=1 5=1 5=1
к
+ 2 К/ (к) 5AN (к) Ат5 т + 2 К/ (к) 5[£ АД (к) А^т +
5=1
+ £ А5Х(к) Хт(к) А^т + Q]5 т +2 К/ (к )¥ ] R(k) = 0.
5=1
Учитывая, что весовая матрица Я(к) положительно определена, получим:
-2AN(к)Ат5т - 2[£ А^(к)Ат + £ А5Х(к)Хт(к)А,т + Q]5т +
5
5=1 5=1
к
т т т
5=1
+ 2 К, (k)5AN(k) Ат5 т + 2 К, (к) 5[£ А^(к) А5Т + (1.17)
5=1
к
+ £ АХ(к) Хт(к) А^т + Q]5 т + 2 Ку (к )У = 0.
5=1
Тогда выполнив несложные преобразования, получим следующее уравнение:
Кг (к )5AN (к) Ат 5 т + Кг (к )5[ £ АN (к) А^т + £ А^(к) Х т(к) А^т +
5=1 5=1
+ Q]5 т + Кг (к)У = (1.18)
к
= AN (к) Ат 5 т + [£ АхN (к) Ат + £ АХ(к) Х т(к) А,т + Q]5 т.
5
5=1 5=1
из которого можно выразить формулу для матрицы коэффициентов передачи (1.10). Теорема доказана.
1.2.2 Определение оценок фильтрации вектора состояния (стационарный
случай)
В стационарном случае, все матрицы, входящие в описание модели, будут постоянные. Дополнительно будем предполагать, что пара матриц А и В управляема и существует управление с обратной связью, зависящее от х(к), которое реализует отслеживание некоторого постоянного заданного вектора г. В этом случае вместо критерия (1.5) рассматривается критерий:
1 = Нт1/(0,Г). (1.19)
т т
Тогда матрица К/ также будет постоянной и может быть рассчитана по формуле:
Кг = (лнл^т + [X л,шт + Х т АТ + ^]Бт) X
4=1 4=1 (1.20)
к к
х^АШт т + Я[Х А,ШТ + X Л**т АТ + д]$т + К )-\
5=1 5=1
где матрица N является решением матричного алгебраического уравнения:
N = (А - К^А)N(А - К^А)1 +
^ ^ (121)
+(Е - К,Б)[Х АМ5 + X ТАТ + 0](Е - К,Б)т + К/¥К}.
5=1 5=1
Так как матрица (Е - К^)[Х А5МА5Т +Х А^ТАТ + <2](Е - К^)т + К/УКТ/ ,
5=1 5=1
входящая в уравнение (1.21) положительно определена (это не трудно доказать), то при условии существования положительно определенного решения N > 0 уравнения (1.21) и выполнения матричного неравенства:
(А - КГ8А)N(А - К^А)1 - N < 0, (1.22)
следует устойчивость матрицы динамики фильтра (А - К/ SA). Отметим, что условие устойчивости (1.22) следует из условия устойчивости по Ляпунову в форме матричного неравенства. Действительно, если матричное неравенство
(1.22) справедливо, то существует положительно определенная матрица R такая, что для матрицы N справедливо равенство:
(А - КГ5А)N(А - КГ5А)Т - N = -Я.
Не сложно показать, что в этом случае конечная разность от функции Ляпунова будет отрицательной. Тогда условие устойчивости по Ляпунову выполнится.
1.2.3 Определение оценок неизвестного входа в задаче фильтрации
В качестве алгоритма оценивания вектора неизвестного входа, используется алгоритм МНК, в этом случае оценку строится на основе минимизации дополнительного критерия [97, 103]:
I = £ О У (' +!) - 5Х«М1 г (' )|| 2 (!.23)
¿=1
где Ж\, Ж2 - заданные положительно определенные весовые матрицы, х(0 = + + • Оценки неизвестного входа строятся на основе минимизации (1.23), в основе которого лежит метод математической индукции, определяющий оценку по критерию (1.23) (вычисляется оценка сначала для к = 1, затем для к = 2 и так далее в соответствии с методом математической индукции). Окончательно получим:
г(ь8м)(к) = (5 ТЩ5 + щ )-15 Тщ [у(к +1) - 5 (АХ(к) + Ви (к))]. (1.24) Оценку неизвестного входа и соответственно вектора состояния для моделей с неизвестными параметрами, аддитивными и мультипликативными возмущениями, можно улучшить (подтверждено результатами моделирования (раздел 1.4)) используя алгоритмы дополнительного сглаживания инновационного процесса (в 1.24) записан в квадратных скобках).
Применение алгоритма непараметрического сглаживания реализуется по формулам:
(№>(к) = (5 ТЩ5 + Щ )-15 Щ О, (1.25)
А
гдеая компонента вектора О(к) имеет вид:
£[ у{1 +1) - 5 (ЛЗД + Ви (!))]
О; (к) =
г=1
^ Л
к - г +1
у ц; у
IС
г =1
к - г+1
у ц; у
(1.26)
В соотношении (1.26), G(•) является ядерной функцией и ц, - коэффициентом размытости. Формула (126) является интерпретацией формул непараметрического сглаживания для непрерывного времени [90] на случай дискретного времени.
Отметим, что при сглаживании можно использовать вместо формул (1.26) непараметрическое сглаживание со скользящим интервалом наблюдения данных (Т - ширина окна сглаживания):
I [у(г +1) - 5(ЛЗД + ВиЦ))]
О (к) = <±Т±
г к - г + 1Л ц;
у у
I С
г=к -Т -1
г к - г + 1Л ц;
у у
(1.27)
Оценки неизвестного входа Г можно также определить с использованием метода скользящего среднего, используемого для вычисления сглаженной величины ,-ой компоненты вектора О:
п (к) = £ № + + Ви{1^'
Т
. к т 5 1 Т 5
тогда оценка вектора неизвестного входа определиться по формуле:
(1.28)
г{5м) (к) = (5 ТЩ5 + Г2 )-15 ТЩ О
(1.29)
к
к
1.2.4 Определение оценок неизвестного входа в канале наблюдений
Для задачи фильтрации в дискретных системах с неизвестным входом в модели объекта и в канале наблюдения необходимо рассмотреть задачу минимизации дополнительного критерия вида:
Л(Л(£)) = Х {1т - +||л(г)||2}, (13°)
г =1 1
где Щ > 0, ж, > 0 - заданные весовые матрицы.
Оценка Т определяется на основе минимизацией критерия (1.3°) и примет
вид:
ц(к I \) = (П1ЩП I 1¥2) Ч~ГЩ[у(к I 1)-Зл-(А I 1)]. (1.31)
Оценка вектора состояния будет определяться по формуле:
х (к +1) = Ах (к) + Бы(к) + г (к) + +К (к)[ у (к +1) - 5 (Ах (к) + Ви (к) + г(к)) - Йт\ (к +1)]. (1.32)
Отметим, что в (1.31) для вычисления оценки тТ(к +1) необходимо знать оценку х(к +1), которая к этому моменту не известна, поэтому предлагается использовать оценку на предыдущем шаге тТ (к), вычисленную по формуле:
Т (к) = (Йт ЩЙ + Щ) -1 Йт Щ [ у (к) - Бх(к)], (1.33)
с последующим прогнозом на 1 такт, например, на основе скользящего среднего:
Тр (к +1) = 1ХТ (к - 0.
1 Т-
(1.34)
Т 1=0
По формуле (1.34) вычисления проводятся от к = Т (Т - целое число определяет величину скользящего интервала). Для к < Т5 можно брать значение оценки тТ(к), вычисленное на предыдущем такте или какие-либо другие оценки.
Можно также для вычисления прогноза на один такт использовать метод взвешенного скользящего среднего:
ц{Р)(к + \^) = ^ёт_1Цк-1\ а 35)
¡=0 у ' '
где gi > 0 - весовые коэффициенты, для которых выполняется условие:
Т -1
Х 8г, - =1 (1.36)
¡=0
Значения gi определяются на основании решения следующей оптимизационной задачи:
ЛЮ = Х(Л0')-Л(Р)0',Ю)2 ^тт (1 37)
при ограничениях
& ^ 0, Е& =1 г =1Т• (1.38)
¿=1
Также для вычисления прогноза 7-ой компоненты вектора п на один такт можно использовать метод непараметрического сглаживания со скользящим интервалом:
Е щоЛ
1Ч 1=к-Т„ -1 I ^ ) У
Л) '(к +1) =-1-1-\ У • (1.39)
к - г +1
Е о
v ^ у
¿=к-Г, -1
Здесь С() является ядерной функцией и ц,- - коэффициент размытости.
В заключение отметим, что алгоритмы, рассмотренные в этой главе, представляют собой рекуррентные схемы и достаточно просто реализуются в режиме реального времени. Результаты моделирования с использованием этих алгоритмов приведены в разделе 1.4.
Замечание 1.1 При отсутствии в модели (1.3) неизвестных параметров, необходимо учесть матрицу влияния неизвестных входов Н, тогда оценки неизвестных входов (1.24), (1.25), (1.29) примут вид:
/<^М(к) = (5тН+ Ж,)-15тНТЩ[у(к +1) - 5 (Ах(к) + Ви(к))]. (1.40) /<№>(к) = (5т Н ТЖН5 + Ж )-15т Н ТЖ П, (1.41)
рш\к) = (5ТЯТ^Ж + ЦГ2у18тНт№1а(к), (1.42)
Замечание 1.2 В математической модели (1.3) могут также присутствовать мультипликативные возмущения, в которых отражается зависимость от известного входа и(к). Тогда уравнение системы с дополнительным слагаемым примет вид:
Т -1
V 1
к
x(k +1) - (A(k) + АЛ^))x(k) + X Л^)x(k)9Я (k) +
5=1
к+Г
+(Б(к) + АБ(к))ы^) + X В^)и(k^) + ДТ(k) + ^), (1-43)
5—К+1
х (0) — ,
Однако этот случай в задачах фильтрации достаточно просто сводится к обычным аддитивным возмущениям, которые в модели (1-3) уже учтены.
1.3 Экстраполяция в дискретных линейных системах с неизвестными параметрами, неизвестным входом и мультипликативными возмущениями
1.3.1 Определение оценок экстраполяции вектора состояния
(нестационарный случай)
Модель объекта, канал наблюдений и критерий, на основе которого будут строиться оценки прогноза X^ +1) приведены в предыдущем разделе 1.2 формулами (1.3)—(1.5) соответственно.
Для решения задачи экстраполяции воспользуемся принципом разделения. Оценки строятся с помощью рекуррентного алгоритма экстраполятора Калмана: х^ +1) — Лх (^) + Ви ^) + г (^) + Ке ^ Ху^) - )], Х(0) — х0, (1.44) где Ке(к) - матрица коэффициентов передачи экстраполятора.
Матрицу коэффициентов передачи Ке(к), обеспечивающую минимум критерия (1.5), определим в следующей теореме.
Теорема 1.2 Пусть существует положительно определенная матрица И(к) = М{е(к) е т(к) }, являющаяся решением уравнения:
N(Н +1) — (Л - Ке ф)8)N(Н)(Л - Ке (Н)8)т + X ф)Л? +
5—1
(1.45)
+ X АХ^)Xт ^)ЛТ + £ + Ке (k)УК] ^), N(0) — N0.
5—1
Тогда матрица коэффициентов передачи экстраполятора определится по формуле:
Ке ^) — ЛN(k )8 T(SN(k )8 т + V )-1. (1.46)
Доказательство. Найдем сначала уравнение для матрицы Ы(к). Для этого запишем уравнение для вектора ошибок е(к):
к
е(к +1) = х(к +1) - х(к +1) = Ах(к) + Е А (к)х(к(к) + Ви(к) +
,=1
+ г (к) + д(к) - Ах(к) - Ви (к) - г (к) - Ке (к)[ у(к) - Бх(к)] = (1.47)
к
= (А - Ке (к)5)е(к) + Е А, (к)х(к)0, (к) + д(к) - Ке (к>(к).
,=1
Тогда, вычисляя матрицу И(к) = М{е(к) е(к)т} получим уравнение (1.45)
Представим критерий (1.5) в виде
т
3 (0,т) = 1х NЯ(0) + Е1г м(к +1) К(к +1), (148)
к=0
где 1т - след матрицы. Тогда, подставив в (1.48) формулу (1.45) со сдвигом на один такт, в результате имеем:
3(0,Т) = 1г N0Я(0) + Е 1Г[(А - Ке (к)5)#(к)(А - Ке(к)5)т +
к=0
к
(149)
+Е А,М(к) АТ + Е А,Х(к)хт(к) АТ + б + Ке (к)УК] (к)]Я(к +1).
,=1 ,=1
Используя правила дифференцирования функции след 1т от произведения матриц [1, 70] и приравнивая частную производную нулю (см формулы (1.14), (1.15)) получим уравнение:
т
= + ^-Е 1Г[( А - К. (к ) N (к)(А - К. (к) 5 )т +
оК„ як як _л
~е ~"е ~"е к=0
к к
+ Е А,N (к) А, + Е А,х(к) хт(к) А, + б + Ке (к )УКеТ (к )]Я(к +1) =
,=1 ,=1
т Я
= Е^ 1г[AN(к)Ат - AN(к)5тКТ(к) -Ке(к)^(к)Ат +
к=0 ЯКе
+ Ке (к(к)5тКет(к) + ЕЕ АД(к) А,т + ЕЕ А,х(к)хТ) Ат +
,=1 ,=1
т
(1.50)
+
+ б + Ке(к)УК](к)]Д(к +1) = Е[-AN(к)5т - AN(к)51
к=0
+К (к(к)5т + Ке (к)SN(к)5т + К (к)У +К (к)У ] Щ +1) = 0.
т
Также учитывая, что матрица Я(к) не вырождена, получим выражение для матрицы коэффициентов передачи экстраполятора Ке(к):
Ке + Ке (^Г - ЛN(k)Sт — 0 (1.51)
Выражая из (1.51) матрицу Ке(к) получим формулу (1.47). Теорема доказана.
1.3.2 Определение оценок экстраполяции вектора состояния (стационарный
случай)
Оптимизируемый критерий в этом случае будет (1.19). Дополнительно будем предполагать, что пара матриц А, В управляема и существует управление в форме обратной связи, зависящей от х(k), которое осуществляет слежение за некоторым постоянным вектором г. Тогда матрица коэффициентов передачи экстраполятора также будет постоянной и может быть вычислена по формуле
К — ЛШТ(8ШТ + V)-1, (1.52)
где матрица N определяется из решения матричного алгебраического уравнения:
N — (Л - К8)N(Л - К8)т + Х^Л] + XЛ5^тл; + е + К/К ет. (1.53)
5—1 5—1
Если решение уравнения (1.53) существует, N > 0, а также, в силу того, что
к к
матрица X Л^Л] +X Л22ТЛ] + е + КеУКет положительно определена, следует
5—1 5—1
устойчивость матрицы динамики экстраполятора (А - Ке5), так как в этом случае будет выполнено условие устойчивости по Ляпунову для дискретных систем (в виде матричного неравенства):
(Л - К8)N(Л - К8)т - N < 0. (1.54)
1.3.3. Определение оценок неизвестного входа в задаче экстраполяции
Оценивание неизвестного входа осуществляется с помощью алгоритмов МНК на основе минимизации критерия:
I —
XX {|| у(г) - 8х(г )|| ^ +| г (г )|| ^ I
г —1
(1.55)
где Ц^ > О, Ж2 > 0 - весовые матрицы, х(?) = Ах(( -1) + Ви(( -1) + г(( -1). Построенные с использованием методов математической индукции, оценки неизвестного входа примут вид:
г^м)^) — (8 + Ж )-18 ТЩ [ у(1) - 8 (Лх^ -1) + Ви^ -1))]. (1.56) Оценка неизвестного входа, использующая дополнительное непараметрическое сглаживание, определим по формуле:
Г N^>(k) — (8Ж + Ж )-18 ТЩ О,
А
где--ая компонента вектора О^) имеет вид:
(1.57)
X[у(0 - 8(Лх(1 -1) + Ви(г -1)])р
о, ^)
г—1
г£ - г + 1Л
П3 у
X с
г—1
k - г +1
v пз у
(1.58)
В соотношении (1.58), G(•) является ядерной функцией и ц - коэффициент размытости.
Совместно с непараметрическим сглаживанием можно использовать скользящий интервал наблюдения данных (Т):
X [у(г) - 8(Лх(г -1) + Ви(г -1)]]в
г£ - г + 1Л
о (k) —
п
3_у
X с
г—k-Т5 -1
г k - г + 1Л
п
(1.59)
з у
Также можно использовать оценки вектора неизвестного входа, построенные на основе метода скользящего среднего:
(k) — (8 Ж + Ж )-18 Ж О, (1.60)
к
где --ая компонента вектора о, которую вычислим по формуле:
П,(*) = £ —--(1 61)
г=к-тз-1 тз
Для задачи экстраполяции в дискретных системах с неизвестным входом в модели объекта и в канале наблюдения дополнительно рассматривается задача минимизации критерия:
3г(л(к)) = Е{||уС^)-Яад)||Ж +||Л(0 & }, (1.62)
г=1 1 2
где Щ > 0, Ж, > 0 - весовые матрицы.
Оценка Л определяется минимизацией критерия (1.62). В результате получим формулу:
Л(£) = (Ят Щнг + Ж,)-1 Нт Щ [у(к) - 5ЗД]. □ □ □ □ (1.63)
Отметим, что оценку вектора состояния системы необходимо определять по формулам:
х(к +1) = Ах(к) + Ви(к) + г(к) + Ке (к )[у (к) - 5х(к) - НЛ(к)]. (1.64) Для повышения качества оценивания в формуле (1.63), также, как и в предыдущем параграфе, можно использовать дополнительное сглаживание. Оценки на основе скользящего среднего будут иметь вид:
1 т,-1
Л<м(к) = т Е Л(к - ')• (1.65)
, ¿-О
Оценки, построенные с использованием метода непараметрического сглаживания со скользящим интервалом, примут следующий вид:
к - г +1
к Г,
Е Л(о,°
v ^ у
лР (к) = ^-, 4 У • (1.66)
^ I к - г +1
Е о-
г=к-т,-1 V ^ У
Здесь G(•) является ядерной функцией и ц,- - коэффициент размытости.
Замечание 1.3 По аналогии с замечанием 1.1, при отсутствии в модели (1.3) неизвестных параметров, необходимо учесть матрицу влияния неизвестных
входов Н, в этом случае оценки неизвестных входов (1.56), (1.57), (1.60) примут вид:
/< ^^) — [8Т Н ТЖН8 + Ж ]-18Т Н ТЖ [ у^) - 8 (Лх^ -1) + Ви ^ -1))].
/(—[8т н +ж ]-18 тн тж О,
}{т) (k) — [8 ТН + Ж ]-18 ТН ТЖ О,
(1.67)
(1.68) (1.69)
1.4 Результаты численных расчетов главы 1
Пример 1.1 Моделирование алгоритма экстраполяции в дискретных системах с мультипликативными возмущениями, неизвестным входом и неизвестными параметрами проведено для трех вариантов вычисления оценок вектора неизвестного входа (формулы (1.56), (1.57), (1.60)).
Моделирование выполнено для следующих исходных данных:
' 0,85 0,1 ^ (10^ ( 0,01 -0,0015^ ( 0,01 0,004Л , В — , Л —
-0,05 0,94, , 0 1 , 1 ,0,003 0,01
Л—
АЛ
0,1 0 ^,05 0,1у
АВ
'0,1 -0,03 ^ (0,03
, е—
, Л2 —
V-0,002 0,01 У
8 —
1 0
V0 1У
V —
0,06
V
0
0
0,1
У
V 0 0,04У
0 ^ (1 0Л , н
V0 1У
V 0 0,02У
, Ж —
0,1 0 V 0 0,1у
Я —
0,1 0 V 0 0,15у
, Ж —
10
V0 1У
и ( k )
(0,1 -0,1)Т, если k е [1;30],
(0,2 0,1)Т, если k е [31;75],
(0 0)Т, если k е [76;126],
(0,1 -0,1)Т, если k е [127;184],
(0,2 0,1)Т, если k е [185;200].
В (1.63) использовалась ядерная функция гауссовского вида:
exp
( 2 Л -и
О (и)
V 2 У
(1.70)
Результаты моделирования представлены на рисунках 1.1-1.4 и в таблицах 1.1, 1.2. На рисунках 1.1 и 1.2 приведены графики компонент вектора состояния х и оценок вектора состояния, полученные с использованием алгоритмов МНК х(ьш), модифицированного МНК с использованием непараметрического сглаживания , модифицированного МНК с использованием метода
скользящего среднего .
I I I
21_I_._._
О 50 100 150 к
(х - линия 1; X- линия 2, - линия 3, - линия 4) Рисунок 1.1 - Графики первой компоненты вектора состояния х и её оценок
_I_I_I_
0 50 100 150 к
ft 1 "(LSM) _ *(NP) 0 ^(SM)
((х - линия 1, x - линия 2, x - линия 3, x - линия 4) Рисунок 1.2 - Графики второй компоненты вектора состояния х и её оценок
В таблице 1.1 приведены результаты сравнения среднеквадратических ошибок отклонений оценок вектора состояния для алгоритмов МНК и модифицированного МНК, использующего процедуру скользящего среднего и алгоритм непараметрического сглаживания для оценки неизвестного входа. Расчет среднеквадратических ошибок оценивания выполнялся по формулам:
ст
X ,1
1
N
X (X. (к) - X, (к ))2
к=1
1
N
X (г (к) - г (к))2 _
- (1 = 1,2). (1.71)
к=1
N -1
N -1
При построении таблиц 1.1 и 1.2 выполнялось усреднение по 100 реализациям.
Таблица 1.1 - Среднеквадратические ошибки оценок вектора состояния (ох,г)
Номер компоненты г МНК МНК и скользящее среднее МНК и непараметрическое сглаживание
1 0,732 0,527 0,294
2 0,821 0,425 0,268
Результаты моделирования оценок неизвестного входа полученных с использованием алгоритмов МНК , модифицированного МНК с
использованием непараметрического сглаживания г, модифицированного МНК с использованием метода скользящего среднего г ' различными методами приведены на рисунке 1.3 и 1.4.
-2-1-1-1-
О 50 100 150 к
(r - линия 1, fLsM - линия 2, ГNp - линия 3, r^M - линия 4) Рисунок 1.3 - Графики первой компоненты вектора неизвестного входа r и её
оценок
0 50 100 150 к
(г - линия 1, - линия 2, Г- линия 3, ГМ - линия 4) Рисунок 1.4 - Графики второй компоненты вектора неизвестного входа г и её
оценок
В таблице 1.2 показаны среднеквадратические ошибки отклонений оценок неизвестного входа.
Таблица 1.2 - Среднеквадратические ошибки оценок г(к) (ог,г)
Номер компоненты г МНК МНК и скользящее среднее МНК и непараметрическое сглаживание
1 0,712 0,454 0,293
2 0,763 0,302 0,099
Из таблиц 1.1 и 1.2 видно, что применение для оценок неизвестного входа МНК с дополнительным сглаживанием с помощью алгоритмов скользящего среднего и непараметрического сглаживания, позволяет уменьшить среднеквадратические ошибки оценок экстраполяции вектора состояния и среднеквадратические ошибки оценок вектора неизвестного входа.
Пример 1.2 Рассматривается алгоритм фильтрации для линейной дискретной системы с мультипликативными возмущениями и неизвестным входом.
Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК
Оценивание параметров нелинейных стохастических динамических систем с дискретным временем2010 год, кандидат физико-математических наук Маляренко, Анна Александровна
Идентификация и классификация процессов авторегрессии со случайными коэффициентами2008 год, кандидат физико-математических наук Кашковский, Денис Викторович
Минимаксные методы оценивания и оптимизации процессов в неопределенно-стохастических системах1998 год, доктор физико-математических наук Панков, Алексей Ростиславович
Прогнозирование и идентификация динамических систем методами усеченного оценивания2019 год, кандидат наук Догадова Татьяна Валерьевна
Одноэтапные последовательные процедуры оценивания параметров динамических систем2016 год, кандидат наук Емельянова Татьяна Вениаминовна
Список литературы диссертационного исследования кандидат наук Ким Константин Станиславович, 2021 год
Список литературы
1. Амосов А.А. Скалярно-матричное дифференцирование и его применение к конструктивным задачам теории связи / А.А. Амосов, В.В. Колпаков // Проблемы передачи информации. - 1972. - № 1. - С. 3-15.
2. Белявский Г.И. Фильтрация сигналов со скачками, возникающими в дискретном времени и с конечным горизонтом / Г.И. Белявский, И.В. Мисюра // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Физико-математические науки. - 2014. - № 2(194). - С. 137-144.
3. Бодянский Е.В. Локально-оптимальное псевдодуальное управление объектами с неизвестными параметрами / Е.В. Бодянский, М.Д. Борячок // Автоматика и телемеханика. - 1992. - № 2. - С. 90-97.
4. Бокс Д. Анализ временных рядов. Прогнозирование и управление / Д. Бокс, Г. Дженкинс. - Мир, 1974. - 197 с.
5. Браммер К. Фильтр Калмана-Бьюси / К. Браммер, Г. Зиффлинг. - М.: Наука, 1972. - 200 с.
6. Буков В.Н. Адаптивные прогнозирующие системы управления полетом / В.Н. Буков. - М.: Наука, 1987. - 232 с.
7. Воробейчиков С.Э. Об обнаружении разладки в линейной стохастической системе по зашумленным наблюдениям / С.Э. Воробейчиков, В.В. Конев // Проблемы передачи информации. - 1992. - Т. 28, № 3. - С.68-75.
8. Востриков А.С. Синтез нелинейных систем методом локализации / А.С. Востриков. - Новосибирск: Изд-во НГУ, 1990. - 120 с.
9. Дегтярев Г.Л. Синтез локально-оптимальных алгоритмов управления летательными аппаратами / Г.Л. Дегтярев, И.С. Ризаев. - М.: Машиностроение, 1991. - 304 с.
10. Домбровский В.В. Прогнозирующее управление системами с марковскими скачками и авторегрессионным мультипликативным шумом с марковским переключением режимов / В.В. Домбровский, Т.Ю. Пашинская //
Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2018. - № 44. - С. 4-9.
11. Казаков И.Е. Оптимизация управления в нелинейной стохастической системе по локальному критерию // Изв. РАН Теория и системы управления. -1996. - № 6. - C. 102-109.
12. Калинин Н.М. Управление многопродуктовыми запасами в условиях постоянного и случайного спроса / Н.М. Калинин, Е.Н. Хоботов // Сб. тр. ИСА РАН «Динамика неоднородных структур». - 2008. - Т. 33, № 12. - С. 185-199.
13. Кельманс Г.К. Локально-оптимальное управление объектами с неизвестными параметрами / Г.К. Кельманс, А.С. Позняк, А.В. Черницер // Автоматика и телемеханика. - 1982. - № 10. - C. 80-95.
14. Ким К.С. Фильтрация и диагностика в дискретных стохастических системах со скачкообразными параметрами и мультипликативными возмущениями / К.С. Ким, В.И. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2020. -№ 51. - С. 79-86.
15. Ким К.С. Экстраполяция в дискретных системах с мультипликативными возмущениями при неполной информации / К.С. Ким, В.И. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2019. - № 47. - С. 49-57.
16. Ким К.С. Фильтрация в дискретных системах со случайными скачкообразными параметрами и неизвестным входом / К.С. Ким, В.И. Смагин // Математическое и программное обеспечение информационных, технических и экономических систем : материалы VII Международной молодежной научной конференции. Томск, 23-25 мая 2019 г. - Томск, 2019. - С. 79-85.
17. Ким К.С. Робастная экстраполяция в дискретных системах со случайными скачкообразными параметрами и неизвестным входом / К.С. Ким, В.И. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2018. - № 44. - С. 31-39.
18. Ким К.С. Синтез нестационарного экстраполятора для дискретных моделей с марковскими скачкообразными параметрами / К.С. Ким, В.И. Смагин //
Информационные технологии и математическое моделирование : материалы XVII Международной конференции имени А.Ф.Терпугова. Томск, 10-15 сентября 2018 г. - Томск, 2018. - С. 388-394.
19. Ким К.С. Робастная экстраполяция в дискретных системах со случайными скачками с двумя состояниями / К.С. Ким, В.И. Смагин // Математическое и программное обеспечение информационных, технических и экономических систем : материалы VI Международной молодежной научной конференции. Томск, 24-26 мая 2018 г. - Томск, 2018. - С. 211-216.
20. Ким К.С. Рекуррентное прогнозирование в дискретных системах со случайными скачкообразными параметрами с двумя состояниями и неизвестным входом / К.С. Ким, В.И. Смагин // Новые информационные технологии в исследовании сложных структур : материалы Двенадцатой конференции с международным участием. Горно-Алтайск, 04-08 июня 2018 г. - Горно-Алтайск, 2018. - С. 112-113.
21. Ким К.С. Локально-оптимальное управление дискретными системами с запаздыванием в канале управления при неполной информации о состоянии и возмущениях / К.С. Ким, В.И. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2016. - № 34. - С. 11-17.
22. Ким К.С. Управление дискретными системами с запаздыванием при неполной информации о модели возмущений / К.С. Ким, В.И. Смагин // Известия высших учебных заведений. Физика. - 2015. - Т. 58, № 11-12. - С. 31-36.
23. Коган М.М. Адаптивное локально-оптимальное управление / М.М. Коган, Ю.И. Неймарк // Автоматика и телемеханика. - 1987. - № 8. - С. 126-136.
24. Колмогоров А.Н. Интерполирование и экстраполирование стационарных случайных последовательностей // Изв. АН СССР, Серия математическая. - 1941. - Т. 5, № 1 - С. 3-14.
25. Красовский А.А. Системы автоматического управления летательных аппаратов / А.А. Красовский, Ю.А. Вавилов, А.И. Сучков // ВВИА им. Жуковского. - 1985. - 476 с.
26. Справочник по теории автоматического управления / под ред. А.А. Крассовского. - М.: Наука, 1987. - 712 с.
27. Красовский Н.Н. Аналитическое конструирование регуляторов в системах со случайными свойствами / Н.Н. Красовский, Э.А. Лидский // Автоматика и телемеханика. - 1961. - № 11. - С. 1273-1278.
28. Ланкастер П. Теория матриц / П. Ланкастер. - М.: «Наука», 1973. -
280 с.
29. Липцер Р.Ш. Теория вероятностей и математическая статистика / Р.Ш. Липцер, А.Н. Ширяев. Главная редакция физико-математической литературы издательства «Наука». - 1974. - 696 с.
30. Ломакина С.С. Робастная фильтрация в непрерывных системах со случайными скачкообразными параметрами / С.С. Ломакина, В.И. Смагин // Вестник Томского государственного университета. - 2003. - № 280. - С. 201-203.
31. Ломакина С.С. Робастная фильтрация для непрерывных систем со случайными скачкообразными параметрами и вырожденными шумами в наблюдениях / С.С. Ломакина, В.И. Смагин // Автометрия. - 2005. -Т. 41, № 2. -С. 36-43.
32. Ломакина С.С. Следящие системы управления для объектов со случайными скачкообразными параметрами и мультипликативными возмущениями, зависящими от состояния и управления / С.С. Ломакина,
B.И. Смагин // Вестник Томского государственного университета. - 2004. - № 284. - С. 153-157.
33. Ломакина С.С. Робастная фильтрация в непрерывных системах со случайными параметрами и мультипликативными возмущениями /
C.С. Ломакина, В.И. Смагин // Электронные средства и системы управления : материалы Международной научно-практической конференции. - Томск: Изд-во Института оптики атмосферы СО РАН, 2004. - С. 159-161.
34. Ломакина С.С. Робастные следящие системы с фильтром для объектов со случайными скачкообразными параметрами / С.С. Ломакина, В.И. Смагин // Обозрение прикладной и промышленной математики. - 2004. - Т. 2, № 11. -С.363-364.
35. Лотоцкий В.А. Управление запасами при частично наблюдаемом спросе // Статистические методы теории управления. - М.: Наука, 1978. - С. 222224.
36. Лотоцкий В.А. Модели и методы управления запасами / В.А. Лотоцкий, А.С. Мандель. - М.: Наука, 1991. - 189 с.
37. Мирошник И.В. Нелинейное и адаптивное управление сложными динамическими системами / И.В. Мирошник, В.О. Никифоров, А.Л. Фрадков. -Спб.: Наука, 2000. -549 с.
38. Пакшин П.В. Дискретные системы со случайными параметрами и структурой / П.В. Пакшин. - М.: Наука, 1994. - 303 с.
39. Пакшин П.В. Оптимальное линенйное управление дискретынми объектами при случайном скачкообразном изменении их параметров // Проблемы управления и теории информации. - 1982. - № 3. - С. 179-193.
40. Пакшин П.В. Синтез робастного управления в гибридных стохастических системах со скачкообразными изменениями вектора состояния // П.В. Пакшин, Д.М. Ретинский // Нелинейное моделирование и управление: материалы международного семинара. - Самара, 2000. - С. 87-88.
41. Параев Ю.И. Решение задачи об оптимальном производстве, хранении и сбыте товара // Изв. РАН. Теория и системы управления. - 2000. - № 2. -С. 103-107.
42. Параев Ю.И. Уравнения Ляпунова и Риккати / Ю.И. Параев. - Томск: Изд-во Томск. ун-та, 1989. - 168 с.
43. Параев Ю.И. Двухкритериальная задача оптимального производства и сбыта товара // Изв. РАН. Теория и системы управления. - 2003. - № 1. - С. 138141.
44. Параев Ю.И. Введение в статистическую динамику процессов управления и фильтрации / Ю.И. Параев. - М.: Сов.радио, 1976. - 184 с.
45. Параев Ю.И. Алгебраические методы в теории линейных систем управления / Ю.И. Параев. - Томск: Изд-во Томск. ун-та, 1980. - 140с.
46. Первозванский А.А. Математические модели в управлении производством / А.А. Первозванский. - М.: Наука, 1975. - 616 с.
47. Перепелкин Е.А. Прогнозирующее управление экономической системой производства, хранения и поставок товара потребителям // Экономика и математические методы. - 2004. - Т. 40, № 1. - С 125-128.
48. Перепелкин Е.А. Робастный наблюдатель состояния неоднородной цепи Маркова с непрерывным временем // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2021. - № 54. - С. 74-79.
49. Поляк Б.Т. Робастная устойчивость и управление / Б.Т. Поляк, П.С. Щербаков. - Москва, 2002. - 273 с.
50. Приступа М.Ю. Прогнозирующее управление дискретными системами с неизвестным входом и его применение к задаче управления экономическим объектом / М.Ю. Приступа, В.И. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2012. - № 1(18). - С. 5-15.
51. Пугачев В.С. Стохастические дифференциальные системы / В.С. Пугачев, И.Н. Синицин. - М.: Наука, 1990. - 630 с.
52. Симон Г.А. О применении теории следящих систем для изучения процессов регулирования производства / ред. В.Я. Фридман, Л.П. Якименко // Процессы регулирования в моделях экономических систем: Сб. статей. - М.: Изд-во иностранной литературы, 1961. - 290 с.
53. Смагин В.И. Применение методов непараметрической статистики в задаче управления дискретными системами / В.И. Смагин, Г.М. Кошкин, К.С. Ким // Новые информационные технологии в исследовании сложных структур : материалы 11-й Международной конференции. Томск, 06-10 июня. 2016 г. - Томск, 2016. - С. 99-100.
54. Смагин В.И. Адаптивное управление запасами с учетом ограничений и транспортных запаздываний / В.И. Смагин, С.В. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2008. - № 3 (4). - С. 19-26.
55. Смагин В.И. Оценивание состояний линейных дискретных систем при неизвестном входе с использованием компенсаций // Известия высших учебных заведений. Физика. - 2014. - Т. 57, № 5. - С. 104-110.
56. Смагин В.И. Оценивание состояний нестационарных дискретных систем при неизвестном входе с использованием компенсаций // Изв. вузов Физика. - 2015. - Т. 58, № 7. - С. 122-127.
57. Смагин В.И. Прогнозирование состояний дискретных систем при неизвестных входах с использованием компенсаций // Известия высших учебных заведений. Физика. - 2016. - Т. 59, № 9. - С.162-167.
58. Смагин В.И. Синтез следящих систем управления по квадратичным критериям / В.И. Смагин, Ю.И. Параев. - Томск: Изд-во Томск. ун-та, 1996. -
171 с.
59. Смагин В.И. Фильтрация в линейных дискретных нестационарных системах с неизвестными возмущениями / В.И. Смагин, С.В. Смагин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2011. - № 3 (16). - С. 43-50.
60. Смагин В.И. Синтез следящих систем управления для объектов со случайными скачкообразными параметрами и мультипликативными возмущениями / В.И. Смагин, Е.В. Поползухина // Вестник Томского государственного университета. - 2000. - № 271. - С. 171-174.
61. Смагин В.И. Робастные следящие регуляторы для непрерывных систем со случайными скачкообразными параметрами и мультипликативными возмущениями / В.И. Смагин, С.С. Ломакина // Автоматика и вычислительная техника. -2004. - № 4. - С. 31-43.
62. Смагин С.В. Фильтрация в линейных дискретных системах с неизвестными возмущениями // Автометрия. - 2009. - Т. 45. - № 6. - С. 29-37.
63. Уонем М. Линейные многомерные системы управления / М. Уонем. -М.: Наука, 1980. -376 с.
64. Фомин В.Н. Рекуррентное оценивание и адаптивная фильтрация / В.Н. Фомин. - М.: Наука. Главная редакция физико-математической литературы, 1984. - 288 с.
65. Фомин В.Н. Адаптивное управление динамическими объектами / В.Н. Фомин, Ф.Л. Фрадков, В.А. Якубович. - М.: Наука, 1980. - 480 с.
66. Фрадков А.Л. Адаптивное управление в сложных системах / А.Л. Фрадков. - М.: Наука, 1990. - 296 с.
67. Хоботов Е.Н. Задачи и методы управления многономенклатурными запасами в условиях производства продукции // Известия РАН. Теории и системы управления. - 2011. - № 6. - C. 221-232.
68. Abolhasani M. One-Step Prediction for Discrete Time-Varying Nonlinear Systems With Unknown Inputs and Correlated Noises / M. Abolhasani, M. Rahmani // IEEE Transactions On Signal Processing. - 2020. - Vol. 68. - P. 808-817.
69. Astrom K. System identification - A survey / K. Astrom, P. Eykhoff // Automatica. - 1971. - Vol. 7. - P.123-162.
70. Athans M. The matrix minimum principle // Inform. and Contr. - 1968. -Vol. 11. - P. 592-606.
71. Awad M. Efficient learning machines. Ch. 5. Hidden Markov Model / M. Awad, R. Khanna. - Apress open, 2015. - 248 p.
72. Bensoussan A. Estimation and control of dynamical systems // Springer International Publishing AG. - 2018. - 547 p.
73. Bessaoudi T. Robust state and fault estimation for non-linear stochastic systems with unknown disturbances: a multi-step delayed solution / T. Bessaoudi, F. Ben Hmida, C. -S. Hsieh // Iet Control Theory and Applications. - 2019. - Vol. 13, is. 16. - P. 2556-2570.
74. Bilmes J. A gentle tutorial of the EM algorithm and its application to parameter estimation for gaussian mixture and hidden markov models // Technical Report TR-97-021, ICSI. - 1997. - P. 1-13.
75. Blair W.P. Feedback-control of a class of linear discrete systems with jump parameters and quadratic cost criteria / W.P. Blair, D.D. Sworder // Int. J. of Control. -1975. - Vol. 21, is. 5. - P. 833-841.
76. Boukas E.K. Guaranteed cost control for discrete-time markovian jump linear system with mode-dependent time-delays / E.K. Boukas, Z.K. Liu // Proceedings
of the 41st IEEE Conference on Decision and Control. Las Vegas, Nevada USA, December 2002. - Las Vegas, 2002. - P. 3794-3798.
77. Cajueiro D.O. Stochastic optimal control of jumping Markov parameter processes with applications to finance // Ph.D. Thesis, Instituto Tecnologico de Aeronautica-ITA. Brazil. - 2002. - 125 p.
78. Carvalho L.D.P. Robust fault detection Hm filter for Markovian jump linear systems with partial information on the jump parameter / L.D.P. Carvalho, A.M. De Oliveira, O.L.D. Valle Costa // IFAC-PapersOnLine. - 2018. - Vol. 51, is. 25. -P. 202-207.
79. Chen J. Optimal filtering and robust fault diagnosis of stochastic systems with unknown disturbances / J. Chen, R.J. Patton // IEE Proc. Control Theory Appl. -1996. - Vol. 143. - P. 31-36.
80. Conte P. Inventory control by model predictive control methods / P. Conte, P. Pennesi // IFAC Proceedings. -2005. - Vol. 38, is. 1. - P. 85-90.
81. Costa E.F. Linear minimum mean square filters for Markov jump linear systems / E.F. Costa, B. De Saporta // IEEE Trans. On Automatic Control. - 2017. -Vol. 62, is. 7. - P. 3567-3572.
82. Costa O.L.V. Stationary filter for linear minimum mean square error estimator of discrete-time Markovian jump systems / O.L.V. Costa, S. Guerra // IEEE Transactions on Automatic Control. - 2002. - Vol. 47. - P. 1351-1356.
83. Costa O.L.V. Robust mode-independent filtering for discrete-time Markov jump linear systems with multiplicative noises / O.L.V. Costa, G.R.A.M. Benites // Int. J. of Control. - 2013. - Vol. 86, is.5. - P. 779-793.
84. Costa O.L.V. Continuous-time markov jump linear systems / O.L.V. Costa, M.D. Fragoso M.G. Todorov. - Springer, 2013. - 295 p.
85. Costa O.L.V. Discrete-time markovian jump linear systems / O.L.V. Costa, M.D. Fragoso R.P. Marques. - Springer-Verlag, New York, 2005. - 286 p.
86. Cui BB. Unbiased steady minimum-variance estimation for systems with measurement-delay and unknown inputs / BB. Cui, XM. Song, XY. Liu // Applied Mathematics and Computation. - 2019. - Vol. 356. - P. 379-391.
87. Darouach M. Unbiased minimum variance estimation for systems with unknown exogenous inputs / M. Darouach, M. Zasadzinski // Automatica. - 1997. -Vol. 33. - P. 717-719.
88. Darouach M. Full-order observers for linear systems with unknown inputs / M. Darouach, M. Zasadzinski, S. J. Xu // IEEE Trans. on Automat. Contr. - 1999. -Vol. AC-39(3). - P. 606-609.
89. De Oliveira A. M. H-2-Filtering for discrete-time hidden Markov jump systems / A. M. De Oliveira, O.L.V. Costa // Int. Journal of Control. - 2017. - Vol. 90, is. 3. - P. 599-615.
90. Dobrovidov A. Non-Parametric State Space Models / A. Dobrovidov, G. Koshkin, V. Vasiliev. Heber, UT 84032, USA. - Kendrick Press, Inc, 2012. - 520p.
91. Dogadova T.V. Adaptive prediction of non-gaussian ornstein-uhlenbeck process / T.V. Dogadova, V.A. Vasiliev // Tomsk State University Journal of Control and Computer Science. - 2018. -Vol. 43. - P. 26-32.
92. Dombrovskij V.V. Design of model predictive control for constrained Markov jump linear systems with multiplicative noises and online portfolio selection / V.V. Dombrovskij, T.Y. Pashinskaya // Int. J. Robust Nonlinear Control. - 2020. - Vol. 30, is. 3. - P. 1050-1070.
93. Donnet S. EM algorithm coupled with particle filter for maximum likelihood parameter estimation of stochastic differential mixed-effects models / S. Donnet, A. Samson // Hal archives-ouvertes. - 2011. - P. 1-28.
94. Gagliardi G. Fault detection and isolation filter design method for Markov jump linear parameter varying systems / G. Gagliardi, A. Casavola, D.A. Famularo // Int. Journal of Adaptive Control and Signal. Processing. - 2012. - Vol. 26, is. 3/SI. -P. 241-257.
95. Geng H. State estimation for asynchronous sensor systems with Markov jumps and multiplicative noises / H. Geng, Z. Wang, Y. Liang et al. // Information
Sciences. - 2017. - Vol. 417. - P. 1-19.
96. Germani A. Linear filtering for bilinear stochastic differential systems with
unknown inputs / A. Germani, C. Manes, P. Palumbo // IEEE Transactions on Automatic Control. - 2002. - Vol. 47. - P. 1726-1730.
97. Gillijns S. Unbiased minimum-variance input and state estimation for linear discrete-time systems / S. Gillijns, B. Moor // Automatica. - 2007. - Vol. 43. -P. 111-116.
98. Gomes M.J.F. On the stability of the recursive Kalman filter with Markov jump parameters / M.J.F. Gomes, E.F. Costa // Proceeding 2010 American Control Conference Marriott Waterfront. - Baltimore, 2010. - P. 4159-4163.
99. Gray W.S. Stability analysis of digital linear flight controllers subject to electromagnetic disturbances / W.S. Gray, O.R. González, M. Dogan // IEEE Aerosp. Electron. Syst. Mag. - 2000. - Vol. 36. - P. 1204-1218.
100. Hewer G.A. Analysis of a matrix Riccati equation of linear control and Kalman filtering // J. Math. Anal. Appl. - 1973. №. 12. - P. 226-236.
101. Hou M. Optimal filtering for systems with unknown inputs / M. Hou, R. Patton // IEEE Trans. on Automat. Contr. - 1998. - Vol. AC-43. - P. 445-449.
102. Hsien C-S. On the optimality of two-stage Kalman filter for systems with unknown input // Asian Journal of Control. - 2010. - Vol. 12. - P. 510-523.
103. Janczak D. State estimation of linear dynamic system with unknown input and uncertain observation using dynamic programming / D. Janczak, Yu. Grishin // Control and Cybernetics. - 2006. - № 4. - P. 851-862.
104. Kalman R.E. A new results in linear filtering and prediction theory / R.E. Kalman, R. Busy // Trans. ASME J. Basic Engr. -1961. - Vol.83. - P. 95-108.
105. Kim K.S. Filtering in discrete systems with multiplicative perturbations and unknown input / K.S. Kim, V.I. Smagin // IOP Conference Series: Materials Science and Engineering. Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. - 2020. - P. 42053.
106. Kim K.S Robust Filtering for Discrete Systems with Unknown Inputs and Jump Parameters / K.S. Kim, V.I. Smagin // Automatic Control and Computer Sciences. - 2020. - Vol. 54, is. 1. - P. 1-9.
107. Kim K.S. Filtering and identification of Markov jump discrete time systems using filter with unknown input / K.S. Kim, V. I. Smagin // Journal of Physics: Conference Series. - 2020. - Vol. 1680(1), - P. 012020
108. Kim K.S. Identification of discrete time systems with random jump parameters and incomplete information / K.S. Kim, V.I. Smagin // Tomsk State University Journal of Control and Computer Science. - 2021. - №54. - P. 48-56.
109. Kogan M.M. On the optimality of locally optimal solutions of linear-quadratic problems of control and filtering / M.M. Kogan and Y.I. Neimark // Automation and Remote Control. - 1992. - Vol. 53, is. 4. -P. 561-569.
110. Konev V.V. Quickest detection of parameter changes in stochastic regression: nonparametric CUSUM / V.V. Konev, S.E. Vorobeychikov // IEEE Transactions on Information Theory. - 2017. - Vol. 63, is. 9. - P. 5588-5602.
111. Kong H. Filtering for systems subject to unknown inputs without a priori initial information / H. Kong, M. Shan, D. Su, Y. Qiao, A. Al-Azzawi, S. Sukkarieh // Automatica. - 2020. - Vol. 120. - P. 109-122.
112. Koshkin G.M. Filtering and prediction for discrete systems with unknown input using nonparametric algorithms/ G.M. Koshkin, V.I. Smagin // Proceedings 10th International Conference on Digital Technologies. Zilina, Slovakia. July 09-11. -Zilina, 2014. - P. 120-124.
113. Koshkin G.M. Kalman filtering and forecasting algorithms use of nonparametric function estimators / G.M. Koshkin, V.I. Smagin, eds. R.Cao et al. // Springer proceeding in Mathematical Statistics. - 2016. - Vol. 175. - P. 75-84.
114. Li F. Control and filtering for semi-markovian jump systems / F. Li, P. Shi, L. Wu. - New York: Springer, 2016. - 208 p.
115. Li L. Decentralized robust control of uncertain Markov jump parameter systems via output feedback / L. Li, V.A. Ugrinovskii, R. Orsi // Automatica. - 2007. -Vol. 43. - P. 1932-1944.
116. Li Y. H-infinity fault detection filter design for discrete-time nonlinear Markovian jump systems with missing measurements / Y. Li, H.R. Karimi, D. Zhao and etc. // European J. of Control. - 2018. - Vol. 44/SI. - P. 27-39.
117. Li X. H<x> and H2 filtering for linear systems with uncertain Markov transitions / X. Li, J. Lam , H. Gao , J. Xiong // Automatica. - 2016. - Vol. 67. -P. 252-266.
118. Liu W. On State Estimation of Discrete-Time Linear Systems with Multiplicative Noises and Markov Jumps // 32nd Chinese Control Conference. Xian, China, July 26-28, 2013. - Xian, 2013. - P. 3744-3749.
119. Mahmoud S. Optimal guaranteed cost filtering for markovian jump discrete-time systems / S. Mahmoud, P. Shi // Mathematical Problems in Engineering. -2004. №. 1. - P. 33-48.
120. Mariton M. Jump linear systems in automatic control. - New York: Marcel Dekker, 1990. - 320 p.
121. McLane P.J. Optimal linear filtering for linear systems with state-dependent noise // Int. J. Contr. - 1969. - Vol. 10, №. 1. - P. 41-51.
122. Miller B.M. Kalman filtering for linear systems with coefficients driven by a hidden Markov jump process / B.M. Miller, W.J. Runggaldier // Systems and Control Letters. - 1997. - Vol. 31. - P. 93-102.
123. Mohanty N.C. Linear filtering in multiplicative noise / N.C. Mohanty, T.T. Soong // Information and Control. - 1977. - Vol. 34, is.2. - P. 141-147.
124. Oucheriah S. Robust tracking and model following of uncertain dynamic delay systems by memoryless linear controllers // IEEE Transactions on Automatic Control. -1999. - Vol. 44. - P. 1473-1477.
125. Ryden T. EM versus Markov chain Monte Carlo for estimation of hidden Markov models: a computational perspective. Bayesian Anal. - 2008. -Vol. 3(4). -P. 659-688.
126. Sales-Setien E. Markovian jump system approach for the estimation and adaptive diagnosis of decreased power generation in wind farms / E. Sales-Setien, I. Penarrocha-Alos // Iet Control Theory and Applications. - 2019. - Vol. 13, is. 18. - P. 3006-3018.
127. Shi P. Kalman filtering for continuous-time uncertain systems with Markovian jumping parameters / P. Shi, E.K. Boukas, R.K. Agarwal // IEEE Transactions on Automatic Control. - 1999. - Vol. 44, is. 8. - P. 1592-1597.
128. Shi P. A survey on Markovian jump systems: Modeling and design / P. Shi, F. Li // Int. J. of Control, Automation and Systems. - 2015. - Vol. 13/1. - P. 1-16.
129. Smagin V.I. Robust extrapolation in discrete systems with random jump parameters and incomplete information / V.I. Smagin, G.M. Koshkin, K.S. Kim // Applied Methods of Statistical Analysis. Statistical Computation and Simulation -AMSA'2019 : Proceedings of the International Workshop. Russia, Novosibirsk. - 2019.
- P. 203-211.
130. Smagin V.I. Inventory control with time delays in deliveries using linear and quadratic criteria / V.I. Smagin, G.M. Koshkin, K.S. Kim // Proceedings of the IV International research conference information technologies in science, management, social sphere and medicine (ITSMSSM 2017). Russia, Tomsk, December, 2017. - 2017.
- P. 226-230.
131. Smagin V.I. Control for discrete delayed systems with unknown inputs and model parameters using nonparametric algorithms / V.I. Smagin, G.M. Koshkin, K.S. Kim // Proceedings of the international conference on information and digital technologies (IDT 2017). Slovakia, Zilina, July 05-07, 2017. - 2017. - P. 350-355.
132. Smagin V.I. Control strategies for discrete delayed systems with unknown input using nonparametric algorithms / V.I. Smagin, G.M. Koshkin, K.S. Kim // Proceedings of the international conference on information and digital technologies (IDT 2016). Poland, Rzeszov, July 05-07, 2016. - 2016. - P. 133-137.
133. Smagin V.I. Locally optimal inventory control with time delay in deliveries and incomplete information on demand / V.I. Smagin, G.M. Koshkin, K.S. Kim // Proceedings 2nd international symposium on stochastic models in reliability engineering, life science, and operations management (SMRLO 2016). Israel, Beer Sheva, Febrary, 2016. - 2016. - P. 570-574.
134. Smagin V. State estimation for linear discrete-time systems with unknown input using nonparametric technique / V. Smagin, G. Koshkin, V. Udod // Advances in Computer Science Research (ACSR). - 2015. - Vol. 18. - P. 675-677.
135. Smagin V.I. Kalman filtering and conrol algorithms for systems with unknown disturbances and parameters using nonparametric technique / V.I. Smagin, G.M. Koshkin // Proceedings 20th International conference on methods and models in
automation and robotics (MMAR 2015). Poland, Miedzyzdroje, August 24-27, 2015. -2015. - P. 247-251.
136. Smagin V.I. Robust Servocontrollers For Continuous-Time Systems With Random Jumping Parameters And Multiplicative Disturbances / V.I. Smagin, S.S. Lomakina // Automatic Control and Computer Sciences. - 2004. - Vol. 38, № 4. -P. 26-37.
137. Svensson L.E.O. Optimal monetary policy under uncertainty: a Markov jump linear-quadratic approach / L.E.O. Svensson, N. Williams // Federal Reserve of St. Louis Review. - 2008. - Vol. 90. - P 275-293.
138. Sworder D.D. Feedback control of a class of linear systems with jump parameters // IEEE Trans. Automat. Contr. - 1969. - Vol. 14(1). - P. 9-14.
139. Terra M.H. Robust estimation for discrete-time Markovian jump linear systems / M.H. Terra, J.Y. Ishihara, G. Jesus, J.P. Cerri // IEEE Transactions on Automatic Control. - 2013. - Vol. 58, № 8. - P. 2065-2071.
140. Ugrinovskii V.A. Decentralized control of power systems via robust control of uncertain Markov jump parameter systems / V.A. Ugrinovskii, H.R. Pota // Int. J. Control. - 2005. - Vol. 78. - P. 662-677.
141. Vorobeychikov S.E., Burkatovskaya Yu.B. Parameter estimation and change-point detection for process AR(P)/ARCH(Q) with unknown parameters // Tomsk State University Journal of Control and Computer Science. - 2019. - № 46. - P. 40-48.
142. Wang J. Dissipativity-based state estimation for Markov jump discrete-time neural networks with unreliable communication links / J. Wang, F. Yao, H. Shen // Neurocomputing. - 2014. - Vol. 139/SI. - P. 107-113.
143. Wang H. An LMI approach to fault detection and isolation filter design for Markovian jump system with mode-dependent time-delays / H. Wang, C. Wang, H. Gao, L. Wu // Proceedings of the American Control Conference. Minneapolis, USA, June 14-16, 2006. - 2006. - P. 5686-5691.
144. Wiener N. Extrapolation, Interpolation and smoothing of stationary time series. - John. Wiley, 1949. - 163 p.
145. Witczak M. Fault diagnosis and fault-tolerant control strategies for nonlinear systems. Chapter 2. Unknown input observers and filters // Lecture Notes in Electrical Engineering. - Springer International Publishing, 2014. - P. 19-56.
146. Wonham W.M. Random differential equation in control theory, in probabilistic methods in applied mathematics // Bharucha-Reid, A.T., Ed. -New York: Academic Press, 1971. - P. 131-213.
147. Wu Y. Kalman filtering with multiplicative and additive noises / Y. Wu, Q. Zhang, Z. Shen // Proceedings 12th World Congress on Intelligent Control and Automation (WCICA). - 2016. - P. 483-487.
148. Xu S. Robust h® filtering for a class of nonlinear discrete-time markovian jump systems / S. Xu, T. Chen, J. Lam, M.A. Simaan // Journal of optimization theory and applications. - 2004. - Vol. 122, №. 3. - P. 651-668.
149. Yang Y. Recursive linear optimal filter for Markovian jump linear systems with multi-step correlated noises and multiplicative random parameters / Y. Yang, Y. Qin, Q. Pan, Y. Yang, Z. Li // Int. Journal of Systems Science. - 2019. - Vol. 50, №. 4. - P. 749-763.
150. Yao X. Fault detection filter design for Markovian jump singular systems with intermittent measurements / X. Yao, L. Wu, W.X. Zheng // IEEE Transactions on Signal Processing. - 2011. - Vol. 59/7. - P. 3099-3109.
151. Yong S.E. Simultaneous input and state estimation for linear discrete-time stochastic systems with direct feedthrough / S.E. Yong, M. Zhu, E. Frazzoli // 52nd IEEE Conference on Decision and Control. Florence, Italy, December 10-13, 2013. -2013. - P. 7034-7039.
152. Zhang H. Performance analysis of recoverable flight control systems using hybrid dynamical models / H. Zhang, W.S. Gray, O.R. Gonzalez // Proceedings American Control Conf. 2005 (ACC). Portland, USA, June 08-10, 2005. - 2005. -P. 2787-2792.
153. Zhao D. Network-based robust filtering for Markovian jump systems with incomplete transition probabilities / D. Zhao, Y. Liu, M. Liu, J. Yu, Y. Shi // Signal Process. - 2018. - Vol. 150. - P. 90-101.
154. Zhong M. Fault detection for Markovian jump systems / M. Zhong, H .Ye, P. Shi, G. Wang // IEE Proc. Control Theory and Applications. - 2005. - Vol. 152/4. -P. 397-402.
155. Zhong Q. Finite-time boundedness filtering for discrete-time Markovian jump system subject to partly unknown transition probabilities / Q. Zhong, J. Bai, B. Wen, S. Li, F. Zhong // ISA Transactions. - 2014. - Vol. 53, is. 4. - P. 1107-1118.
156. Zhu Y. HMM-based H-infinity filtering for discrete-time Markov jump LPV systems over unreliable communication channels / Y. Zhu, Z. Zhong, W.X. Zheng. and etc. // IEEE Transactions on Systems Man Cybernetics-Systems. - 2018. - Vol. 48, is. 12. - P. 2035-2046.
142
Приложение А
(справочное)
Акт о внедрении результатов кандидатской диссертации в учебный процесс НИ
ТГУ
«У Г В К Р Ж Д Л К)» Проректор по научной и инновационной деятельности П/У ! /' д ф -м н., профосвод А Б Ворожцов
Акт
о внедрении результатов кандидатской дисеср1ации Ким К.С. в учебный процесс III! ГГУ
Настоящим подтверждается, что результаты диссертации Ким КС. «Оценивание и управление в дискретных стохастических системах со случайными скачкообразными параметрами в условиях неполной информации» на соискание ученой степени кандидата технических наук но специальности 05 13.01 «Системный анализ, управление и обработка информации (по отраслям)», используются в институте прикладной ма1ематики и компьютерных наук Томского государственного университета (ИПМКН ТГУ) в учебном процессе по дисциплине «Вероятностные модели логистики» для магистрантов, обучающихся по направлению «Прикладная матсмагика и информатика». В указанный лекционный курс включен раздел, который использует материалы 3-ей и 4-ой глав диссертации По теме 4-ой главы разработаны две лабораторные работы для магистрантов.
Директор ИПМКП ПИ ТГУ
д.т.н., доцент
Л В Замятин
Зав кафедрой прикладной математик д.т.н.. профессор
КН НИ ТГУ
ИМ/
Л М. I орцев
и И Аьдтнко
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.