ID subespacio (ejemplo Matlab IV): filtro de Kalman, uso de ns4id

Antonio Sala, UPV

Dificultad: *** ,       Relevancia: ,      Duración: 05:50

Resumen:

Este vídeo discute cómo modificar el modelo de regresión del vídeo [sbml3] según lo indicado en el vídeo teórico [subspk] para estimar un observador que provea de la mejor estimación en sentido mínimo-cuadrático (filtro de Kalman) del estado $x_{k+1}$ (extraído de la secuencia estimada en el vídeo [sbml2]), a partir de $x_k$, $u_k$ e $y_{k+1}$ construyendo a partir de datos un observador actualizado ${\widehat{x}}_{k+1}=A_{KF}{\widehat{x}}_k+B_{KF}{u}_k+L{y}_{k+1}$. El disen~o basado en modelos de estos observadores por asignación de polos se aborda en el vídeo [obs], y el predictor óptimo de mínima varianza en el vídeo [kalteo]; no obstante, el algoritmo subespacio no necesita explícitamente de esa teoría para construir el observador. **** 

En la segunda mitad del vídeo se comparan los resultados con los que se obtienen tras la ejecución del algoritmo n4sid integrado en la System Identification Toolbox de Matlab. Obviamente son muy similares. Dicho algoritmo únicamente requiere que se le introduzca la serie de datos y el orden deseado de aproximación. Si no se le introduce, lo elige él comprobando “saltos” en los valores singulares asociados; se le puede introducir un conjunto de órdenes y entonces, de forma interactiva, n4sid(datos,ordenmin:ordenmax) presenta los valores singulares y pide un orden al usuario para continuar.

Colección completa [VER]:

• Anterior   ID subespacio (ejemplo Matlab III): estimación de matrices (A,B,C,D) del modelo

• Siguiente Identificación subespacio serie temporal (Matlab): n4sid, forecast, predict, residue, kalman, etfe