Identiﬁcacin subespacio n4sid: identiﬁcacin del observador ptimo (ﬁltro de Kalman)

Identiﬁcación subespacio n4sid: identiﬁcación del observador óptimo (ﬁltro de Kalman)

Antonio Sala, UPV

Diﬁcultad: **** , Relevancia:

, Duración: 07:24

Materiales: [ subespacioKalmanFilter.pdf]

Resumen:

Este vídeo presenta una modiﬁcación sencilla a la fase ﬁnal del algoritmo subespacio del vídeo [subsp2], para, en vez de identiﬁcar un modelo ( $A$ , $B$ , $C$ , $D$ ), estimar las ecuaciones de un observador actualizado (current observer) cuya ecuación de estado es ${\hat{x}}_{k + 1} = A_{K F} {\hat{x}}_{k} + B_{K F} u_{k} + L y_{k + 1}$ , ajustando por mínimos cuadrados matriciales el modelo de regresión lineal:

x_{k + 1} = (\begin{matrix} A_{K F} & B_{K F} & L \end{matrix}) (\begin{matrix} x_{k} \\ u_{k} \\ y_{k + 1} \end{matrix})

sustituyiendo en $x_{k + 1}$ y $x_{k}$ los elementos correspondientes de la secuencia de estados estimados en el primer paso (SVD) del algoritmo de identiﬁcación subespacio. El ejemplo en Matlab de esta metodología para construir observadores aparece en el vídeo [sbml4].

Colección completa [VER]:

Anterior Identiﬁcación subespacio n4sid: algoritmo (proyección, mínimos cuadrados parciales)
Siguiente ID subespacio (ejemplo Matlab I): formación de matrices de datos

© 2024, A. Sala. Se reservan todos los derechos en materiales cuyo autor pertenezca a UPV.
Para condiciones de uso de material de terceros referenciado, consulte a sus autores.