非线性滤波及航天应用(二)——H∞滤波器
本节介绍H∞滤波器的基本原理以及具体实现方法
与 Kalman 滤波不同,
其核心思想是:
在给定扰动能量约束的条件下,设计滤波器,使系统状态估计误差的能量与外部扰动能量之比不超过给定的性能指标。
因此,
2. 状态空间数学模型
考虑如下离散线性随机系统:
其中:
| 符号 | 含义 |
|---|---|
| 系统状态向量 | |
| 已知控制输入 | |
| 系统观测向量 | |
| 状态转移矩阵 | |
| 控制输入矩阵 | |
| 观测矩阵 | |
| 过程扰动作用矩阵 | |
| 过程扰动 | |
| 测量扰动 | |
| 测量扰动作用矩阵 |
这里的
为了便于统一描述,将过程扰动和测量扰动组合为:
滤波器根据观测序列
定义状态估计误差:
3. 核心性能指标
在有限时间区间内,定义扰动输入的总能量:
定义状态估计误差的总能量:
其中,
更严格地,对于零初始误差情形,常写为:
该式表明:无论外部扰动如何变化,只要扰动能量有限,估计误差能量与扰动能量的比值都必须受到
注:上述公式是单位权重、零初始误差下的简化性能指标。一般形式可以引入状态误差加权矩阵、扰动加权矩阵以及初始状态不确定性项。
因此:
越小,要求滤波器对扰动的抑制能力越强,设计难度通常越大。 越大,允许的最坏情况误差增益越大,设计约束相对宽松。 - 当给定的
过小时,可能不存在满足要求的滤波器。
这里需要注意,滤波并不是直接将估计误差变为零,而是保证扰动到估计误差的能量增益不超过给定界限。
二、滤波的核心计算方法
- 基本滤波结构
为了推导滤波算法,考虑如下离散线性系统:
假设希望估计的目标变量为:
其中,
构造滤波器:
与 Kalman 滤波不同,
2. 离散
对于上述系统,一种常见的离散时间
(1)预测阶段
首先预测状态:
构造预测误差相关矩阵:
这里的
(2)测量更新阶段
首先定义:
其中,
然后计算滤波增益:
利用观测残差修正状态估计:
更新 Riccati 矩阵:
上述递推公式是一种常用的、以目标状态加权矩阵为基础的离散
这意味着给定的性能指标
需要注意: 不同文献对