引入有限估计区间的系统状态反向估计方法技术方案

本发明专利技术公开了一种引入有限估计区间的系统状态反向估计方法，包括(1)引入有限估计区间[m,n]，m＝n‑N+1，m和n为两个不同的时刻，N为估计区间步长；(2)基于正向递推的卡尔曼滤波算法计算出系统在n时刻的状态估计值

【技术实现步骤摘要】
引入有限估计区间的系统状态反向估计方法
本专利技术涉及一种状态估计方法，具体涉及一种引入有限估计区间的系统状态反向估计方法。
技术介绍
状态估计是通过处理一系列含有噪声的量测数据，得出隐含于其中的被测量或其线性组合的估计值。由于现代工业中大部分控制及监测机制均是在假设系统状态精确可观测的基础上构建的，如何从实际受到各种随机干扰的观测信号中精确地得到系统的状态极其重要。可以说，系统状态的获取影响着工业过程的安全性、生产的经济性、不确定环境下的决策以及监测或控制手段的有效实施。目前，在许多国际刊物上报道了针对状态空间模型的状态估计算法的设计思路。例如，Kwon等人针对离散时间状态空间模型设计了一类有限估计区间内的状态估计方法(KwonBY,HanSH,KwonOK,KwonWH,IEEESignalProcessingLetters,2007,14(8):557-560).Park等人针对无线传感网络设计了一类滤波算法用以增强粒子滤波的稳定性(PakJM,AhnCK,ShmaliyYS,IEEETransactionsonIndustrialInf本文档来自技高网...

【技术保护点】
1.一种引入有限估计区间的系统状态反向估计方法，其特征在于：包括以下步骤，/n(1)引入有限估计区间[m,n]，m＝n-N+1，m和n为两个不同的时刻，N为估计区间步长；/n(2)基于正向递推的卡尔曼滤波算法计算出系统在n时刻的状态估计值

【技术特征摘要】
1.一种引入有限估计区间的系统状态反向估计方法，其特征在于：包括以下步骤，
(1)引入有限估计区间[m,n]，m＝n-N+1，m和n为两个不同的时刻，N为估计区间步长；
(2)基于正向递推的卡尔曼滤波算法计算出系统在n时刻的状态估计值和方差Pn；
(3)以为初始状态、Pn为初始方差，基于反向递推的卡尔曼滤波算法计算出系统在m时刻的状态估计值和方差Pm，舍弃估计区间[m,n]内其它的状态估计值和方差，完成系统状态的估计。


2.如权利要求1所述的引入有限估计区间的系统状态反向估计方法，其特征在于：步骤(2)中，定义估计区间[m,α]，α＝m+d，d为系统状态的维度；
利用无偏估计计算出系统在α时刻的状态估计值和方差Pα，使用状态估计值方差Pα为卡尔曼滤波算法的初始状态和初始方差。


3.如权利要求2所述的引入有限估计区间的系统状态反向估计方法，其特征在于：在获得估计值及其方差Pα后，在余下的估计区间内，基于正向递推的卡尔曼滤波算法计算出系统在n时刻的状态估计值和方差Pn。


4.如权利要求3所述的引入有限估计区间的系统状态反向估计方法，其特征在于：计算出系统在n时刻的状态估计值和方差Pn包括，
状态正向预测：引入时刻递推指标i＝α+1，α+2,…,n，在i时刻，根据式一、式二正向预测系统状态：







为i时刻状态估计的预测值；为i-1时刻系统状态估计值；ui-1为i-1时刻系统控制器输出；Pi-为状态估计的预测方差；Pi-1为i-1时刻状态的估计方差；Qk为已知的过程噪声方差；A为系统状态的动态矩阵；E为系统执行器矩阵；D为过程噪声动态矩阵；
状态正向更新：在i时刻，根据式三、式四正向更新系统的状态估计值和方差：



Pi＝(I-KiC)Pi-(式四)；

为i时刻状态估计值；yi为i-1时刻含噪声的观测信号；C为观测动态矩阵；Pi为i时刻状态方差；I为单位矩阵；Pi-为i时刻状态估计的预测方差；为i-1时刻状态估计的预测方差；Ri为i时刻已知观测噪声方差；
判断是否满足i＝n，是则计算出状态估计值和方差Pn；否则i＝i+1，进入状态正向预测。


5.如权利要求1所述的引入有限估计区间的系统状态反向估计方法，其特征在于：计算出系统在m时刻的状态估计值和方差Pm具体包括，
状态反向预测：引入时间反向迭代指针j＝n,n-1，…m，在j时刻根据式五、式六反向预测系统状态：







为j时刻状态预测值；Pj-为j时刻状态预测的方差；为j+1时刻状态预测值；Pj+1为j+1时刻状态预测的方差；Qj为i-1时刻过程噪...

【专利技术属性】
技术研发人员：赵顺毅，赵珂，刘飞，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32