ISSN: 1814-3520(print)
ISSN: 2500-1590(online)
12+
Вестник Иркутского государственного технического университета
Поиск по сайту

СРАВНИТЕЛЬНЫЙ АНАЛИЗ НЕКОТОРЫХ РОБАСТНЫХ ФИЛЬТРОВ ДЛЯ НЕСТАЦИОНАРНЫХ ЛИНЕЙНЫХ ДИСКРЕТНЫХ СИСТЕМ

Чубич Владимир Михайлович , Прокофьева Алина Эдуардовна

2017 / Том 21 №12 (131) 2017 [ Информатика, вычислительная техника и управление ]

ЦЕЛЬ. При помощи разработанного программно-математического обеспечения провести сравнительный анализ некоторых робастных фильтров с целью выявления наиболее эффективных из них. МЕТОДЫ. Использованы методы Монте-Карло и компьютерного моделирования. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. Проведенные на примере стохастической дискретной модели прямолинейного равноускоренного движения объекта исследования позволили выполнить сравнительный анализ рассмотренных алгоритмов робастной фильтрации в условиях случайного и группированного характера аномальных измерений и выявить наиболее эффективные из них с позиции минимума усредненного квадратного корня среднеквадратичной ошибки. ВЫВОДЫ. Установлено, что среди рассмотренных фильтров наиболее устойчивым к обработке измерительных данных с аномальными наблюдениями является фильтр Изанлу (Izanloo) - Фейкуриана (Fakoorian) - Джазди (Yazdi) - Саймона (Simon).

Ключевые слова:

робастные фильтры, выбросы, фильтр Калмана, адаптивные фильтры, коррентропия, стохастическая линейная дискретная система

Библиографический список:

  1. Медич Дж. Статистически оптимальные линейные оценки и управление / пер. с англ. М.: Энергия, 1973. 440 с.
  2. Сейдж Э., Мелс Дж. Теория оценивания и ее применение в связи и управлении / пер. с англ. М.: Связь, 1976. 496 с.
  3. Maybeck P.S. Stochastic models, estimation, and control. Vol. 1. New York: Academic press, 1979. 423 p.
  4. Балакришнан А. Теория фильтрации Калмана / пер. с англ. М.: Мир, 1988. 168 с.
  5. Огарков М.А. Методы статестического оценивания параметров случайных процессов. М.: Энергоатомиздат, 1990. 208 с.
  6. Grewal M.S., Andrews A.P. Kalmanfiltering: theory and practice using MATLAB. New Jersey: John Wiley & Sons, 2008. 575 p.
  7. Mehra R. Approaches to adaptive filtering // IEEE Trans. On Automatic Control. 1972. Vol. 17. № 5. P. 693–698.
  8. Bavdekar V.A., Deshpande A.P. and Patwardhan S.C. Identification of process and measurement // Journal of Process Control. 2011. Vol. 21. P. 585–601.
  9. Gao W., Li J., Zhou J., Li Q. Adaptive Kalman filtering with recursive noise estimator for integrated SINS/DVL systems // The journal of navigation. 2015. Vol. 68. P. 140–161.
  10. Mehra R. Identification of stochastic linear dynamic systems using Kalman filter representation // AIAA Journal. 1971. Vol. 9. № 1. P. 28–31.
  11. Mohamed A.H. Schwarz K.P. Adaptive Kalman filtering for INS/GPS // Journal of Geodesy. 1999. Vol. 73. P. 193–203.
  12. Mehra R. On the identification of variances and adaptive Kalman filtering // IEEE Trans. On Automatic Control. 1970. Vol. 15. № 2. P. 175–184.
  13. Xia Q., Rao M., Ying Y., Shen X. Adaptive fading Kalman filter with an application // Automatica. 1994. Vol. 30. № 8. P. 1333–1338.
  14. Sorenson H.W., Alspach D.L. Recursive Bayesian Estimation Using Gaussian Sums // Automatica. 1971. Vol. 7. P. 465–479.
  15. Lo J. T.-H. Finite-Dimensional Sensor Orbits and Optimal Nonlinear Filtering // IEEE Transactions on information theory. 1972. Vol. 18. № 5. P. 583–588.
  16. Plataniotis K.N., Androutsos D., Venetsanopoulos A.N. Nonlinear filtering of non-Gaussian noise // Journal of Intelligent and Robotic Systems. 1997. Vol. 19. P. 207–231.
  17. Kotecha J.H., Djuric P.M. Gaussian Sum Particle Filtering // IEEE Transactions on signal processing. 2003. Vol. 51. № 10. P. 2602–2612.
  18. Liu W., Pokharel P., Principe J. Correntropy: properties and applications in non-Gaussian signal processing // IEEE Transactions on signal processing. 2007. Vol. 55. № 11. P. 5286–5298.
  19. Liu W., Pokharel P., Xu J., Seth S., Principe J. Correntropy for random variables: properties and applications in statistical inference // Information theoretic learning: Renyi’s entropy and kernel perspectives. New York: Springer. 2010. Vol. 10. P. 385–413.
  20. Chen B. Liu X., Zhao H., Prıncipe J. Maximum correntropy Kalman filter // Automatica. 2017. Vol. 76. P. 70–77.
  21. Izanloo R., Fakoorian S.A., Yazdi H.S., Simon D. Kalman filtering based on the maximum correntropy criterion in the presence of non- Gaussian noise // Annual Conference on Information Science and Systems (CISS), Princeton, USA: proccedings. 2016. P. 500–505.
  22. Jwo D.-J. Chung F.-C., Weng T.-P., Thomas C. Adaptive Kalman filter for navigation sensor fusion // Sensor Fusion and its Applications. In TechOpen, 2010. P. 66–90.
  23. Särkkä S., Nummenmaa A. Recursive noise adaptive Kalman filtering by variational Bayesian approximations // IEEE Transactions on Automatic control. 2009. Vol. 54. P. 596–600.
  24. Gelman A., Stern H.S., Dunson D.B., Vehtari A., Rubin D.B. Bayesian data analysis. New York: CRC Press, Taylor & Francis Group, 2014. 639 p.
  25. Kulikova M.V. Square-root algorithms for maximum correntropy estimation of linear discrete-time systems in presence of non-Gaussian noise // Systems & Control Letters. 2017. Vol. 108. P. 8-15.

Файлы:

Язык
RuEn

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная
Количество скачиваний:7335