Академический Документы
Профессиональный Документы
Культура Документы
Singulares
S
ao Carlos
2005
Dedicat
oria
Agradecimentos
Resumo
Esta dissertac
ao apresenta novos resultados para a soluc
ao de problemas de implementac
ao computacional na estimativa de sistemas singulares e sistemas Markovianos.
S
ao apresentados algoritmos alternativos para problemas de filtragem de maneira a minimizar problemas causados principalmente por erros de arredondamento e mal condicionamento de matrizes. O trabalho envolve basicamente algoritmos array e filtragem
de informac
ao para a estimativa de sistemas singulares nominais e robustos. Tambem
e deduzido um algoritmo array para a filtragem de sistemas lineares sujeitos a saltos
Markovianos.
Palavras-chaves: Filtro de Kalman, sistemas singulares, algoritmos array, filtragem
de informac
ao.
iii
Abstract
This dissertation presents new results to solve computational implementation problems to estimate singular and Markovian systems. Alternative algorithms to handle
computational filtering errors due rounding errors and ill-conditioned matrices are developed. This dissertation comprehends basically array algorithms and information filters for the estimate of nominal and robust singular systems. Also, it is developed an
array algorithm for Markovian jump linear systems filtering.
Key-words: Kalman filtering, singular systems, array algorithms, information filtering.
iv
Sum
ario
Resumo
iii
Abstract
iv
Lista de Figuras
vii
1 Introdu
c
ao
1.1
Motivac
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Estrutura do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Revis
ao Bibliogr
afica
2.1
2.2
Algoritmos Array . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1
Algoritmo de Potter . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2
Erros de Arredondamento . . . . . . . . . . . . . . . . . . . . . .
Exemplos de Array . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3.1
Atualizac
oes temporais . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3.2
Atualizac
oes da Medida . . . . . . . . . . . . . . . . . . . . . . .
12
Sistemas Singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.4.1
15
2.3
2.4
19
3.1
19
3.2
23
3.3
27
3.4
30
3.5
Implementac
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
Filtro Markoviano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
v
35
36
vi
Sum
ario
4.1.1
Implementacao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Algoritmo de Paige
42
45
5.1
Estrutura de covari
ancia . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
5.2
O Algoritmo de Paige . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
5.3
Implementac
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
6 Conclus
ao
58
Refer
encias Bibliogr
aficas
59
63
63
64
B Transforma
c
oes Unit
arias
65
B.1 Transformac
oes de Householder . . . . . . . . . . . . . . . . . . . . . . .
65
B.2 Transformac
oes de Givens . . . . . . . . . . . . . . . . . . . . . . . . . .
67
B.3 Rotac
oes de Givens Hiperb
olicas . . . . . . . . . . . . . . . . . . . . . .
68
C Teoremas Auxiliares
70
C.1 Rotac
oes de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
70
C.3 Transformac
oes J-unit
arias . . . . . . . . . . . . . . . . . . . . . . . . .
73
Lista de Figuras
2.1
2.2
Ciclo de atualizac
oes do filtro de Kalman . . . . . . . . . . . . . . . . .
2.3
Transformac
ao unit
aria (T.U.) no Algoritmo Array. . . . . . . . . . . . .
3.1
1
Valores Singulares de Pi|i
para a implementac
ao robusta. . . . . . . . .
34
4.1
37
4.2
44
5.1
57
B.1 Interpretac
ao geometrica da rotac
ao de Householder . . . . . . . . . . .
66
vii
Captulo 1
Introduc
ao
1.1
Motivac
ao
A abordagem para a filtragem de sistemas desenvolvida em KALMAN (1960), sintetizada atraves dos filtros de Kalman, tem sido aplicada em v
arios problemas pr
aticos
com sucesso em
areas tais como aeron
autica, processamento em sinais de voz e controle de processos industriais. Pode-se definir um filtro de Kalman em tres categorias
distintas que consistem em suavizac
ao, filtragem e predic
ao dos estados de um sistema.
` medida que as aplicacoes foram se diversificando, alguns inconvenientes para
A
o filtro de Kalman foram surgindo. Pode-se exemplificar problemas de convergencia
devido a falta de fidelidade dos algoritmos numericos ou modelagem n
ao apropriada
dos sistemas em considerac
ao JAZWINSKI (1970). Para contornar estes problemas,
foram sendo desenvolvidos novos algoritmos para diferentes implementac
oes do filtro de Kalman. Em particular podem ser citados os algoritmos array, introduzidos
por Potter KAILATH et al. (2000), filtros de informac
ao ANDERSON & MOORE
(1979)KAYLATH et al. (2000) e o algoritmo desenvolvido em PAIGE (1985). Estes
algoritmos aumentam a eficiencia numerica nas implementac
oes dos filtros devido ao
uso de transformac
oes ortogonais nos c
alculos. Estas transformac
oes ortogonais s
ao
mais est
aveis numericamente se comparadas `
as equac
oes de Riccati utilizadas nas implementac
oes dos filtros de Kalman. O contraponto destes algoritmos alternativos e a
carga computacional maior dos c
alculos a serem feitos KAMINSKI et al. (1971).
Neste trabalho, as contribuic
oes originais s
ao as deduc
oes de novos filtros de in1
CAPITULO 1. INTRODUC
AO
formac
ao (onde se propaga Pi1 ) e algoritmos array para filtros de Kalman de sistemas
singulares ISHIHARA & TERRA (2001), ISHIHARA & TERRA (2002), ISHIHARA
et al. (2004b), CAMPOS (2004), DAI (1989) e GERDIN (2004) e tambem um algoritmo array para o filtro deduzido em COSTA (1994), para sistemas lineares sujeitos
a saltos Markovianos (que neste trabalho ser
ao denominados sistemas Markovianos,
apenas por facilidade de terminologia). Filtros para sistemas Markovianos s
ao usados
quando o sistema pode ter mudancas abruptas em seus par
ametros devido a falhas,
mudancas ambientais ou outros motivos. Ate onde pode-se identificar na literatura,
este e o primeiro algoritmo array para filtros de sistemas Markovianos encontrado.
O uso e an
alise de sistemas singulares tem recebido destaque na literatura devido a
freq
uencia com que aparecem em problemas de modelagem de sistemas econ
omicos LUENBERGER (1977), modelamento de imagem HASSAN & SADJANI (1995), rob
otica
MILLS & GOLDENBERG (1989) e outros. A filtragem de informacao pode ser usada
quando se tem pouca informac
ao sobre as condic
oes iniciais do sistema, o que resulta
em uma matriz de covari
ancia do erro muito grande ou ate infinita.
Tambem e feita a extens
ao neste trabalho do algoritmo de filtragem para sistemas no
espaco de estados deduzido em PAIGE (1985) para sistemas singulares, onde se adota
duas estrategias de estimativa, filtragem de covari
ancia e filtragem de informac
ao.
1.2
Estrutura do Texto
Captulo 2
Revis
ao Bibliogr
afica
2.1
xi+1
= Fi xi + Gi ui
(2.1)
= Hi xi + vi
sendo as vari
aveis aleat
orias gaussianas ui , vi , x0 de media zero e vari
ancias
ui
uj
E vi vj
x0
x0
Qi ij
= Si ij
0
3
Si ij
Ri ij
0
(2.2)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
e as matrizes {Fi , Gi , Hi , 0 , Qi , Si , Ri } s
ao conhecidas. O objetivo e estimar os estados xi (n
ao diretamente observ
aveis) de um sistema modelado por (2.1) tendo como
referencia as medidas ruidosas yi . A Figura 2.1 mostra uma utilizac
ao do filtro de
Kalman.
vi
ui
z 1
Gi
xi
Hi
yi
i
Filtro de x
Kalmam
Fi
x
i+1 = Fi x
i + Kp,i ei = Fp,i x
i + Kp,i yi , i 0,
(2.3)
sendo
ei = yi Hi x
i , Fp,i = Fi Kp,i Hi
1
Kp,i = Ki Re,i
, Ki = Fi Pi Hi + Gi Si ,
(2.4)
Re,i = Ri + Hi Pi Hi
e Pi pode ser calculada via equac
ao de diferencas de Riccati
1
Pi+1 =Fi Pi Fi + Gi Qi Gi Kp,i Re,i
Kp,i ,
P0 = 0 0,
(2.5)
i 0.
BIBLIOGRAFICA
CAPITULO 2. REVISAO
Atualizacao no Tempo
Atualizacao da Medida
Estimativas Iniciais
(2.6)
1
Hi Pi|i1 ,
Pi|i = Pi|i1 Pi|i1 Hi Re,i
(2.7)
Atualizac
oes no tempo
1
x
i+1 = Fi x
i|i + Gi Si Re,i
ei
(2.8)
1
Pi+1|i = Fi Pi|i Fi + Gi (Qi Si Re,i
Si )Gi
(2.9)
Fi Kf,i Si Gi Gi Si Kf,i
Fi
sendo
1
.
Kf,i = Pi Hi Re,i
2.2
(2.10)
Algoritmos Array
BIBLIOGRAFICA
CAPITULO 2. REVISAO
representac
ao dos pontos fixos, e c
alculo mais seguro da matriz de covari
ancia do erro
de estimativa, que pode apresentar erros de arredondamento que tornam a matriz Pi
n
ao-Hermitiana. Deve-se notar que verificar a cada iterac
ao do algoritmo tais pro desej
priedades e muito custoso computacionalmente. E
avel portanto, assegurar que
Pi seja sempre definida n
ao-negativa. Para controlar esta propriedade, n
ao se propaga
Pi mas um fator raiz-quadrada de Pi , ou seja, uma matriz Ai tal que Pi = Ai Ai . Apesar da possibilidade de haver erros de arredondamento em Ai , o produto dos fatores
multiplicados Pi = Ai Ai e sempre uma matriz (semi) definida positiva.
Os algoritmos array tem sido apresentados na literatura para calcular filtros de
Kalman de sistemas no espaco de estados. Neste trabalho, apresentam-se tais algoritmos para o c
alculo da equac
ao de Riccati para a filtragem de sistemas singulares, que e
uma classe de sistemas din
amicos onde pode existir singularidade em sua formulacao.
Esses filtros ser
ao descritos nas pr
oximas sec
oes.
Uma equac
ao de Riccati para o filtro de Kalman no espaco de estados e dada pela
Equac
ao (2.5) como um exemplo de equac
ao recursiva
1
Kp,i .
Pi+1 =Fi Pi Fi + Gi Qi Gi Kp,i Re,i
Nesta equac
ao a matriz de covari
ancia Pi e propagada a cada iterac
ao em func
ao de
valores j
a conhecidos Fi , Gi , Qi , Kp,i e Re,i . Resolvendo por array, a equac
ao n
ao e
1/2
a cada iterac
ao ao inves de Pi . A propagac
ao de Pi
e propagado
BIBLIOGRAFICA
CAPITULO 2. REVISAO
M atriz
P re Array
|
{z
}
Matriz triangular
T.U.
M atriz
P ost Array
|
{z
}
Matriz soluca
o
2.2.1
Algoritmo de Potter
Potter (KAILATH et al. (2000)) foi o primeiro que introduziu o conceito de algoritmo array para o problema de atualizac
ao da medida do filtro de Kalman no espaco
de estados, em um caso especial quando o sistema apresenta observac
oes escalares. Em
razao das caractersticas numericas do algoritmo e sua relativa simplicidade, ele foi implementado nos filtros de navegac
ao da nave espacial Apollo, em meados da decada de
1960. Nesta sec
ao aborda-se rapidamente este algoritmo. As seguintes notac
oes ser
ao
adotadas a seguir
BIBLIOGRAFICA
CAPITULO 2. REVISAO
/2
(2.11)
sendo,
/2
(2.12)
(2.13)
1/2
(2.14)
Resolvendo a equac
ao quadr
atica em (2.13) tem-se
(i) =
1 re1 (ai ai )
(ai ai )
q
1 r(i)re1 (i)
(2.15)
re (i) r(i)
1
p
p
=p
.
re (i)( re (i) r(i))
1/2
Pi|i1
"
Ip
ai ai
p
p
.
re (i)( re (i) r(i))
(2.16)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
2.2.2
Erros de Arredondamento
Um exemplo que tem sido utilizado na literatura para justificar o uso de algoritmos
array ser
a apresentado a seguir. Considere o seguinte sistema
Fi = 1, Hi = 1, Gi = 0, Ri = 1, Si = 0.
Neste caso P e escalar, sendo definida da seguinte forma
Pi|i = Pi|i1
2
Pi|i1
1 + Pi|i1
(2.17)
que e equivalente a
Pi|i =
Pi|i1
.
1 + Pi|i1
(2.18)
Pi|i1
.
1 + Pi|i1
(2.19)
Ent
ao, o valor de Pi|i calculado atraves desta u
ltima equac
ao e zero. Porem com a
f
ormula (2.18) o c
alculo fica sendo Pi|i = 1, que e o valor correto. Verifica-se que duas
implementac
oes diferentes da mesma equac
ao levam a resultados totalmente distintos
em virtude de erros de arredondamento.
Este exemplo ilustra o merito de se estudar uma maneira alternativa de se implementar o filtro de Kalman. Em particular para este exemplo, sugere-se o metodo via
p
p
algoritmo array descrito a seguir para se calcular Pi|i de Pi|i1 . Como j
a foi dito,
1
Pi|i1
.
A= p
0
Pi|i1
BIBLIOGRAFICA
CAPITULO 2. REVISAO
Atraves de rotac
oes de Givens
10
= 1
1+2
1
p
, = Pi|i1 .
1
Assumindo que neste exemplo Pi|i1 e grande o suficiente para que 1 + Pi|i1 = Pi|i1
p
p
em precis
ao finita, ent
ao 1 + 2 fica sendo Pi|i1 e a multiplicac
ao de com o
pre-array resulta em
p
1
Pi|i1
Pi|i1 0
=
.
p
p
0
Pi|i1
Pi|i1 1
(2.20)
(2.21)
(2.22)
As rotac
oes de Givens s
ao transformac
oes unit
arias, possibilitando seu uso para algoritmos array
para triangularizar matrizes, veja mais detalhes no Apendice B.2
BIBLIOGRAFICA
CAPITULO 2. REVISAO
11
2.3
Exemplos de Array
2.3.1
Atualizac
oes temporais
A equac
ao de atualizac
ao do tempo (2.9), assumindo Si = 0, e
Pi+1|i = Fi Pi|i Fi + Gi Qi Gi , i 0.
(2.23)
1/2
1/2
Fi Pi|i
Gi Qi
s
ao muito grandes, (n (n + m)) ao inves de (n n) que e a dimens
ao de Pi , n
ao
sendo eficiente portanto o uso direto desta fatorac
ao no algoritmo. Para contornar esse
problema, atraves da n
ao-unicidade dos fatores raiz quadrada e utilizando uma matriz
unit
aria , redefine-se Pi+1|i da seguinte forma
h
i
h
i
1/2
1/2
1/2
1/2
Pi+1|i = Fi Pi|i
Fi Pi|i
Gi Qi
Gi Qi
e escolhe-se tal que
h
1/2
Fi Pi|i
1/2
Gi Qi
h
i
= X 0nm
(2.24)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
1/2
Fi Pi|i
1/2
Gi Qi
12
h
i h
ih
i
1/2
1/2
F
P
G
Q
X
0
X
0
i i
nm
nm
|{z} i i|i
I
e ent
ao,
Fi Pi|i Fi + Gi Qi Gi = XX .
Porem como o lado esquerdo da express
ao e igual a Pi+1|i , X pode ser identificado
1/2
como Pi+1|i , um fator raiz quadrada de Pi+1|i . Finalmente tem-se o algoritmo array
resumido da seguinte forma
h
1/2
Fi Pi|i
1/2
Gi Qi
h
i
1/2
= Pi+1|i
0nm .
(2.25)
2.3.2
Atualizac
oes da Medida
1/2
1/2
O objetivo da atualizac
ao da medida e calcular Pi|i a partir de Pi|i1 , de acordo
com a Equac
ao (2.7). Se tal equac
ao tivesse um sinal de mais ao inves de um sinal
de menos, poderia-se facilmente usar a tecnica da Sec
ao 2.3.1. H
a uma formulac
ao
alternativa, que utiliza transformac
oes unit
arias, definida em KAILATH et al. (2000)
para resolver este problema e fornece o seguinte algoritmo array. Define-se
1/2
1/2
Ri
Hi Pi|i1
1/2
0
Pi|i1
(2.26)
1/2
1/2
Ri
Hi Pi|i1
X 0
1/2
0
Pi|i1
Y Z
(2.27)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
13
1/2
1/2
1/2
1/2
Hi Pi|i1
R
H
P
Ri
X
0
X
0
i i|i1
i
=
1/2
1/2
0
Pi|i1
0
Pi|i1
Y Z
Y Z
(2.28)
obtendo assim
1/2
/2
XX = Ri Ri
1/2
/2
+ Hi Pi|i1 Pi|i1 Hi
= Ri + Hi Pi|i1 Hi = Re,i ,
1/2
/2
1/2
/2
(2.29)
ZZ = Pi|i1 Pi|i1 Y Y
1
= Pi|i1 Pi|i1 Hi Re,i
Hi Pi|i1 = Pi|i .
Pode-se ent
ao identificar Z como fator raiz quadrada de Pi|i , e similarmente identificar
1/2
f,i = Pi|i1 H R/2 . Ent
X e Y como X = Re,i e Y = K
ao a forma final para o
i e,i
problema de atualizac
ao da medida e dada por
1/2
R
i
2.4
1/2
Hi Pi|i1
1/2
Pi|i1
1/2
R
e,i
f,i
K
0
1/2
Pi|i
(2.30)
Sistemas Singulares
(2.31)
(2.32)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
14
(2.33)
(2.34)
sendo 1 , 2 func
oes vetoriais de xi , ui e i. Estas equac
oes representar
ao um sistema
singular quando a matriz Ei for singular. Se 1 e 2 s
ao func
oes lineares de xi e ui
uma formulac
ao possvel para este sistema e descrita por
Ei xi+1 = Fi xi + Gi ui ,
(2.35)
yi = Hi xi ,
(2.36)
(2.37)
yi = Hi xi + vi ,
(2.38)
sendo as vari
aveis aleat
orias ui , vi , x0 de media zero tais que
ui
uj
E vi . vj
x0
x0
Qi ij
= Si ij
Si ij
Ri ij
0
0 ,
(2.39)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
15
)1 F
x
i|i = Pi|i Ei (Qi + Fi1 Pi1|i1 Fi1
i1|i1 + Pi|i Hi Ri1 yi .
i1 x
2.4.1
(2.40)
(2.41)
i = 0, 1, ...
(2.42)
(2.43)
(2.44)
Hi = Mh,i i Nh,i ,
(2.45)
ki k 1,
(2.46)
i
E
Hi
estimativa filtrada robusta o
tima x
i|i de xi pode ser obtida a partir do seguinte algoritmo
BIBLIOGRAFICA
CAPITULO 2. REVISAO
16
recursivo
P asso 0: Condico
es Iniciais: Se Mh,0 = 0 ent
ao
P0|0 :=
P01 + H0 R01 H0
x
0|0 := P0|0 H0 R01 y0 .
1
(2.47)
(2.48)
1 no intervalo >
M R1 Mh,0
ametro escalar o
timo
Se Mh,0 6= 0 encontre o par
h,0 0
(vide Apendice C.2) e considere
1 Mh,0 M ,
0 := R0
R
h,0
1
(2.49)
1 N Nh,0
1 H0 +
P01 + H0 R
h,0
0
P0|0 :=
1 y0 .
x
0|0 := P0|0 H0 R
0
1
(2.50)
(2.51)
i := 0. Se n
P asso 1: Se Mf,i = 0 e Mh,i+1 = 0 ent
ao
ao, encontre o par
ametro
i no intervalo
escalar o
timo
i > l,i
1
M
Q
M
0
0
0
f,i
i
f,i
:=
.
1
0
Mh,i+1
0
Ri+1
0
Mh,i+1
(2.52)
i =
P asso 2: Se
6 0, substitua os par
ametros {Qi , Ri+1 , Pi|i , Ei+1 , Fi , Hi+1 } pelos
par
ametros corrigidos
1 Mf,i M ,
i := Qi
Q
f,i
i
(2.53)
1 Mh,i+1 M ,
i+1 := Ri+1
R
h,i+1
i
(2.54)
1
i N Nf,i )1 ,
Pi|i := (Pi|i
+
f,i
(2.55)
i Fi Pi|i N Ne,i+1 .
i+1 := Ei+1
E
f,i
(2.56)
(Q
i + Fi Pi|i F )1 E
i+1 + H R
1
E
i+1
i
i+1 i+1 Hi+1
h
i N Nh,i+1
h,i+1
Ne,i+1
(I
f,i
!1
, (2.57)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
x
i+1|i+1 := Pi+1|i+1
+
17
i N Nf,i (I
i Pi|i N Nf,i ) x
i + Fi Pi|i Fi )1 Fi +
i+1
(Q
i|i
E
e,i+1
f,i
1
Pi+1|i+1 Hi+1
Ri+1 zi+1 .
(2.58)
A vers
ao robusta do preditor e dada pelo seguinte teorema
i+1 tem posto coluna pleno para todo i 0
Teorema 2.4.2 Suponha que a matriz E
e e dada a seq
uencia de medidas yi citada acima. A estimativa preditora o
tima x
i+1|i
pode ser obtida a partir do seguinte algoritmo recursivo.
P asso 0: Condico
es Iniciais
P0|1 = P0 ,
(2.59)
x
0|1 = 0.
(2.60)
i := 0. Se n
P asso 1: Se Mf,i = 0 e Mh,i = 0 ent
ao
ao, encontre o par
ametro escalar
i (vide Apendice C.2) no intervalo
o
timo
i > l,i
1
M
Q
M
0
0
0
f,i
i
f,i
:=
.
0
Mh,i
0
Ri1
0
Mh,i
(2.61)
i =
P asso 2: Se
6 0, substitua os par
ametros {Qi , Ri , Pi|i1 , Ei+1 , Fi , Hi } pelos
par
ametros corrigidos
i 0
Q
i 0
R
bi :=
Q
b i :=
R
sendo
1 Mf,i M ,
i := Qi
Q
i
f,i
(2.62)
sendo
1 Mh,i M ,
i := Ri
R
i
h,i
(2.63)
Ebi+1 := q
Ei+1
bi Ne,i+1
(2.64)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
Fbi := q
Fi
bi Nf,i
bi := q
H
Hi
bi Nh,i
18
(2.65)
(2.66)
(2.67)
1
x
i+1|i = Pi+1|i Ei+1
Qi + Fi Pi|i1 Fi Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Fi
1
Fi x
i|i1 + Pi+1|i Ei+1
Qi + Fi Pi|i1 Fi Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Fi
(2.68)
sendo
Yi :=
yi
0
(2.69)
Captulo 3
3.1
1
Filtros expressos na forma de informac
ao propagam o valor Pi|i
ao inves do valor
20
(3.1)
a vers
ao de informaca
o para a estimativa nominal filtrada do sistema singular (2.37)(2.38) e dada pelas seguintes express
oes
1
1
1
1
1
1
1
Pi|i
= Ei Q1
i1 Ei + Hi Ri Hi E Qi1 Fi1 (Pi1|i1 + Fi1 Qi1 Fi1 ) Fi1 Qi1 Ei (3.2)
1
1
1
1 1
x
i|i = Ei Q1
i1|i1 + Hi Ri1 yi
Pi|i
i Fi1 (Pi1|i1 + Fi1 Qi Fi1 ) Pi1|i1 x
(3.3)
1/2
1/2
1/2
P
Fi1 Qi1
0
Ai1
0
0
i1|i1
=
1/2
1/2
1/2
1/2
1
0
Ei Qi1
Ei Qi1 Fi1 Ai1 Pi|i
Hi Ri
0
(3.4)
1
Q1 F
+ Fi1
sendo Ai1 , Pi1|i1
i1 i1 .
(3.5)
para se obter
Pi|i
= Ei (Qi1 + Fi1 Pi1|i1 Fi1
)1 Ei + Hi Ri1 Hi
|
{z
}
(3.6)
1
1
1
1
1
1
1
Pi|i
= Ei [Q1
i1 Qi1 Fi1 (Pi1|i1 + Fi1 Q Fi1 ) Fi1 Qi1 ]Ei + Hi Ri Hi
1
1
1
1
1
1
= Ei Q1
i1 Ei + Hi Ri Hi E Qi1 Fi1 (Pi1|i1 + Fi1 Qi1 Fi1 ) Fi1 Qi1 Ei .
(3.7)
21
Esta e a vers
ao de informac
ao da Riccati para a estimativa filtrada. Na express
ao do
1
na Equac
ao (2.41)
filtro, multiplica-se `
a esquerda Pi|i
1
)1 F
Pi|i
x
i|i = Ei (Qi + Fi1 Pi1|i1 Fi1
i1|i1 + Hi Ri1 yi ,
i1 x
(3.8)
1
x
i|i = Ei (Q1
Pi|i
i Qi Fi1 (Pi1|i1 + Fi1 Qi Fi1 ) Fi1 Qi )
Fi1 x
i1|i1 + Hi Ri1 yi ,
(3.9)
1
1
1 em evid
Pode-se colocar Ei Q1
encia
i Fi1 (Pi1|i1 + Fi1 Qi Fi1 )
1
1
1
1
1
x
i|i = Ei Q1
Pi|i
i Fi1 (Pi1|i1 + Fi1 Qi Fi1 ) ((Pi1|i1 + Fi1 Qi Fi1 )
(3.10)
Q1 F
Fi1
xi1|i1 + Hi Ri1 yi ,
i1 )
i
para se obter
1
1
1
1 1
Pi|i
x
i|i = Ei Q1
i1|i1 + Hi Ri1 yi .
i Fi1 (Pi1|i1 + Fi1 Qi Fi1 ) Pi1|i1 x
(3.11)
1
Assim, a recursividade fica em func
ao de Pi|i
x
i|i . O valor de x
i|i pode ser calculado
1
por metodos algebricos sem a necessidade de se calcular a inversa de Pi|i
. Para se
1
Q1 F
de Pi1|i1
+ Fi1
i1 i1 em
1
Q1 F
Pi1|i1
+ Fi1
i1 i1
Ei Q1
i1 Fi1
Complemento de Schur de A em M =
no Apendice A.
Q1 E
Fi1
i1 i
Ei Q1
i1 Ei
A
C
Hi Ri1 Hi
(3.12)
B
e dado por A , D CA1 B. Veja mais detalhes
D
22
1/2
1/2
/2
Pi1|i1
1/2
1/2
Q
Fi1 Qi1 Ei .
1/2 i1
Hi Ri
1/2
0
Ri
Hi
Q
Pi1|i1 Fi1
i1
1/2
Ei Qi1
(3.13)
A B
C D
0
CA1 I
I A1 B
0
I
A
0
A B
(3.14)
1
Q1 F
+ Fi1
0
Pi1|i1
i1 i1
1
1
1
1
1
0
Pi|i
Ei Qi1 Fi1 (Pi1|i1 + Fi1 Qi1 Fi1 )
I
1
Q1 F
1 F Q1 E
+ Fi1
)
I (Pi1|i1
i1 i1 i
i1 i1
.
0
I
(3.15)
I
1
Pode-se ainda fatorar a matriz central de (3.15) renomeando Ai1 , Pi1|i1
+
Q1 F
Fi1
e hermitiana e positiva-definida, tem-se
i1 i1 , que
1
Ei Q1
i1 Fi1 Ai1 I
1/2
Ai1
0
0
1/2
Pi|i
/2
Ai1
0
0
/2
Pi|i
I A1
i1 Fi1 Qi1 Ei
(3.16)
Nota-se que (3.16) apresenta uma estrutura do tipo ABB A . Simplificando (3.16),
obtem-se
1/2
Ai1
1/2
Ei Q1
i1 Fi1 Ai1
1/2
Pi|i
1/2
Ai1
1/2
Ei Q1
i1 Fi1 Ai1
1/2
Pi|i
(3.17)
23
Logo, igualando (3.17) com (3.13) existe, de acordo com o Lema C.1.1, uma matriz
unit
aria tal que
1/2
P
i1|i1
Q1/2
Fi1
i1
1/2
Ei Qi1
0
1/2
Hi Ri
1/2
Ai1
0
=
1/2
1/2
Ei Q1
Pi|i
i1 Fi1 Ai1
0
.
0
(3.18)
3.2
Nesta sec
ao ser
a deduzido um filtro de informac
ao na vers
ao preditora com o correspondente algoritmo array.
Teorema 3.2.1 Dadas as seguintes condico
es iniciais
1
P0|1
= P01
(3.19)
1
P0|1
x
0|1 = 0
a vers
ao de informaca
o para a estimativa nominal preditora do sistema singular (2.37)(2.38) e dada por
1
1
Q1 E
Q1 F P 1 + H R1 H + F Q1 F
(3.20)
Pi+1|i
= Ei+1
E
Fi Q1
i+1
i
i
i
i+1 i
i i
i
i
i
i Ei+1 ,
i|i1
1
(Q + F (P 1 + H R1 H )F )1 F (P 1 + H R1 H )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i+1|i
i i
i i|i1
i
i i
i i
(3.21)
1
1
(Pi|i1 x
bi|i1 + Hi Ri yi ),
1/2
Pi|i1
0
1/2
H R1/2 F Qi
0
1/2
E Qi
1
1/2
(Pi|i1
+ Hi Ri1 Hi + Fi Q1
i Fi )
Q1 F (P 1 + H R1 H + F Q1 F )1/2
Ei+1
i i|i1
i
i
i i
i
i
i
0
1
Pi+1|i
0
.
0
(3.22)
24
Prova: A equac
ao da estimativa preditora e dada em CAMPOS (2004)
1
1
Pi+1|i = Ei+1
Qi + Fi Pi|i1 Fi Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Fi
Ei+1
.
(3.23)
1 1
1
1
Qi + Fi Pi|i1 + Hi Ri Hi
Fi
Ei+1 .
(3.25)
1
1
1
1
1
Pi|i1 + Hi Ri Hi + Fi Qi Fi
Fi Qi
Ei+1 =
.
1
1
1
1
1
1
1
1
Pi+1|i
Ei+1
Ei+1
Q1
i
Q1
i Fi
(3.26)
A Equac
ao (3.26) e a vers
ao de informac
ao para a estimativa preditora de sistemas
singulares. Para a equac
ao do filtro, tem-se que
x
i+1|i = Pi+1|i Ei+1
Qi + Fi Pi|i1 Fi Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Fi
Fi x
i|i1 + Pi+1|i Ei+1
1
1
Qi + Fi Pi|i1 Fi Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Fi
(3.27)
aplica-se o lema da invers
ao assim como na Equac
ao (3.25) e multiplica-se `
a direita por
1
Pi+1|i
, ent
ao obtem-se
1
1
1
Pi+1|i
x
i+1|i = Ei+1
Qi + Fi (Pi|i1
+ Hi Ri1 Hi )1 Fi
Fi x
i|i1 +
1
1
Ei+1
Qi + Fi (Pi|i1
+ Hi Ri1 Hi )Fi
Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 (yi Hi x
i|i1 ).
(3.28)
25
Fi )1 (Fi x
bi|i1 + Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 (yi Hi x
bi|i1 ))
(3.29)
1
(Q + F (P 1 + H R1 H )1 F )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i
i i
i
1
1
(Fi (Pi|i1 Pi|i1
Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Pi|i1
)b
xi|i1 +
(3.31)
1
colocando-se Pi|i1
em evidencia
1
(Q + F (P 1 + H R1 H )1 F )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i
i i
i
1
(Fi (Pi|i1 Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 )Pi|i1
x
bi|i1 +
(3.32)
1
1
Fi ((Pi|i1
+ Hi Ri1 Hi )1 Pi|i1
x
bi|i1 + Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 yi )
(3.33)
1
1
e multiplicando-se o u
ltimo termo por (Pi|i1
+ Hi Ri1 Hi )1 (Pi|i1
+ Hi Ri1 Hi ) a
express
ao e reescrita como
1
(Q + F (P 1 + H R1 H )F )1 F ((P 1 + H R1 H )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i i
i
i
i i
i i
i|i1
1
1
1
Pi|i1
x
bi|i1 + (Pi|i1
+ Hi Ri1 Hi )1 (Pi|i1
+ Hi Ri1 Hi )Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 yi ).
(3.34)
26
(3.35)
1
(Q + F (P 1 + H R1 H )F )1 F (P 1 + H R1 H )1
x
bi+1|i = Ei+1
Pi+1|i
i
i i|i1
i i
i i|i1
i
i i
i i
1
(Pi|i1
x
bi|i1 + (Hi + Hi Ri1 Hi Pi|i1 Hi )(Ri + Hi Pi|i1 Hi )1 yi ).
(3.36)
1
(Q + F (P 1 + H R1 H )F )1 F (P 1 + H R1 H )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i i
i i|i1
i
i i
i i
1
x
bi|i1 + Hi Ri1 (Ri + Hi Pi|i1 Hi )(Ri + Hi Pi|i1 Hi )1 yi )
(Pi|i1
(3.37)
1
(Q + F (P 1 + H R1 H )F )1 F (P 1 + H R1 H )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i i
i i|i1
i
i i
i i
1
(Pi|i1
x
bi|i1 + Hi Ri1 yi ).
(3.38)
1
Q1 E
Pi|i1
+ Hi Ri1 Hi + Fi Q1
F
F
i
i+1
i
i
i
.
1
1
Ei+1 Qi Fi
Ei+1 Qi Ei+1
(3.39)
1/2
1/2
1/2
1/2
1/2
1/2
P
H R
F Qi
P
H R
F Qi
i|i1
i|i1
1/2
1/2
0
0
E Qi
0
0
E Qi
(3.40)
27
1
1/2
(Pi|i1
+ Hi Ri1 Hi + Fi Q1
i Fi )
Q1 F (P 1 + H R1 H + F Q1 F )1/2
Ei+1
i i|i1
i
i
i i
i
i
i
1
1/2
(Pi|i1
+ Hi Ri1 Hi + Fi Q1
i Fi )
0
1
Pi+1|i
Q1 F (P 1 + H R1 H + F Q1 F )1/2 P 1
Ei+1
i i|i1
i
i
i i
i
i
i
i+1|i
0
.
0
(3.41)
1/2
1/2
H R1/2 F Qi
Pi|i1
0
1/2
E Qi
1
1/2
(Pi|i1
+ Hi Ri1 Hi + Fi Q1
i Fi )
Q1 F (P 1 + H R1 H + F Q1 F )1/2 P 1
Ei+1
i i|i1
i
i
i i
i
i
i
i+1|i
0
.
0
(3.42)
A Equac
ao 3.42 e o algoritmo array para a forma preditora da filtragem de sistemas
singulares.
3.3
As express
oes para a vers
ao de informac
ao da estimativa robusta filtrada de sistemas
singulares sujeitos a incertezas parametricas na forma
(Ei+1 + Ei+1 )xi+1 = (Fi + Fi )xi + wi ,
yi = (Hi + Hi )xi + vi ,
i = 0, 1, ...
(3.43)
(3.44)
28
a vers
ao de informaca
o para a estimativa robusta filtrada do sistema (3.43) com Ne,i+1
Nf,i =
1 E
Fi Q
i+1 + Hi+1 Ri+1 Hi+1 + i [Nh,i+1 Nh,i+1 + Ne,i+1 Ne,i+1 ],
i
1
(Q
i N Nf,i )1 F )1 Fi
i Fi (P 1 +
Pi+1|i+1
x
i+1|i+1 = Ei+1
i
f,i
i|i
(3.45)
1
1
i N Nf,i )1 P 1 x
+
(Pi|i
f,i
i|i i|i + Hi+1 Ri+1 yi+1 ,
1/2
1/2 N
1/2
Pi|i
Fi Q
0
0
0
i
i
f,i
=
1/2
R
1/2 N
1/2 N
1/2
0
Ei+1 Q
0
H
i+1 i+1
e,i+1
i
h,i+1 i
i
1/2
Ai
0
0 0 0 0
.
Q
1 Fi A1/2 P 1/2
Ei+1
0
0
0
0
i
i
i+1|i+1
(3.46)
1
(Q
1
i N Nf,i )1 F )1 E
i + Fi (P 1 +
Pi+1|i+1
= Ei+1
i
i+1 + Hi+1 Ri+1 Hi+1 +
f,i
i|i
i [N N
(3.47)
Esta equac
ao j
a est
a na forma de informac
ao no entanto, para a deduc
ao do algoritmo
array, reescreve-se esta equacao utilizando-se o lema da invers
ao de matrizes
1
(Q
1/2 N Nf,i
1/2 + F Q
1 Q
1 Fi (P 1 +
1 Fi )1 F Q
1 )E +
Pi+1|i+1
= Ei+1
i+1
i
i
i
i
i
i
i
i
f,i
i|i
R
1/2 [N N
1/2
1 Hi+1 +
Hi+1
i+1
i
h,i+1 h,i+1 + Ne,i+1 Ne,i+1 ]i .
(3.48)
Manipulando a equac
ao anterior, tem-se
1
1
Q
1
1/2
1/2 + F Q
1 E
1 Fi )1
Pi+1|i+1
= Ei+1
i+1 Ei+1 Qi Fi (Pi|i + i Nf,i Nf,i i
i
i
i
1
1/2
1/2
1 E
Fi Q
i+1 + Hi+1 Ri+1 Hi+1 + i [Nh,i+1 Nh,i+1 + Ne,i+1 Ne,i+1 ]i
i
(3.49)
A equac
ao do filtro e calculada manipulando-se a Equac
ao (2.58) com Ne,i+1
Nf,i = 0
1
i Pi|i N Nf,i )
i + Fi Pi|i Fi )1 Fi (I
x
i+1|i+1 = Pi+1|i+1 Ei+1
(Q
xi|i + Pi+1|i+1 Hi+1
Ri+1 yi+1 ,
f,i
(3.50)
29
1
i N Nf,i )1 . Multiplicando por P 1
sendo que Pi|i = (Pi|i
+
f,i
i+1|i+1
1
(Q
i N Nf,i )1 F )1 Fi
i Fi (P 1 +
Pi+1|i+1
x
i+1|i+1 = Ei+1
i
f,i
i|i
R
i (P 1 +
i N Nf,i )1 N Nf,i )
1 yi+1
(I
xi|i + Hi+1
i+1
f,i
f,i
i|i
(3.51)
1
Pode-se fazer a seguinte fatorac
ao acrescentando-se o termo Pi|i
Pi|i
1
(Q
i N Nf,i )1 F )1 Fi
i Fi (P 1 +
Pi+1|i+1
x
i+1|i+1 = Ei+1
i
f,i
i|i
1
R
i N Nf,i )1 (P 1 +
i N Nf,i
i N Nf,i )
1 yi+1 .
(Pi|i
+
xi|i + Hi+1
i+1
f,i
f,i
f,i
i|i
(3.52)
(3.53)
1
1
i N Nf,i )1 P 1 x
(Pi|i
+
f,i
i|i i|i + Hi+1 Ri+1 yi+1 .
Para a deduc
ao do algoritmo array, pode-se escrever a equac
ao de Riccati (3.49) na
1
Q
1/2 N Nf,i
1/2 + F Q
1 Fi
1 E
+
F
Pi|i
i
i
i+1
i
f,i
i
i
i
.
1
1
1
1/2 Ci
1/2
Fi
E
Hi+1 +
Ei+1 Q
E
Q
+
H
R
i+1 i
i+1
i+1 i+1
i
i
i
(3.54)
1/2
1/2 N
1/2
P
Fi Q
0
0
i
i
f,i
i|i
1/2
1/2
1/2
Q
R
N
0
Ei+1
0
Hi+1
i
i+1
i
h,i+1
1/2
1/2
1/2
P
Fi Qi
i Nf,i
0
0
i|i
Q
R
1/2 N
1/2
1/2
0
Ei+1
0
Hi+1
i
i+1
i
h,i+1
1/2
i Ne,i+1
0
.
1/2 N
e,i+1
i
1/2
(3.55)
1/2
1
N Nf,i
1 Fi , obtem-se
Fi Q
i
Q
1 Fi A1 I
Ei+1
i
i
Ai
0
Q
1 E
I A1
F
i
i+1
i
i
1
Pi+1|i+1
0
I
0
(3.56)
30
que equivale a
1/2
Ai
Q
1 Fi A1/2
Ei+1
i
i
1/2
Pi+1|i+1
1/2
0
Ai
0
0
.
1/2
1/2
1
0
Ei+1 Qi Fi Ai
Pi+1|i+1 0
(3.57)
1/2
1/2 N
1/2
P
Fi Q
0
i
i
f,i
i|i
1/2
Q
R
1/2
0
Ei+1
0
Hi+1
i+1
i
1/2
Ai
0
1/2
1/2
Q
1 Fi A
Ei+1
Pi+1|i+1
i
i
3.4
0
1/2 N
i
h,i+1
0 0 0 0
0 0 0 0
0
1/2 N
e,i+1
i
(3.58)
(3.59)
1
P0|1
x
0|1 = 0
a equaca
o de Riccati e a express
ao para o filtro preditor robusto do sistema singular
(3.43), na vers
ao de informaca
o, s
ao dadas por
1
1
Q1 E
Q1 F P 1 + H R1 H + F Q1 F
(3.60)
Pi+1|i
= Ei+1
E
Fi Q1
i+1
i
i
i
i+1 i
i i
i i
i
i Ei+1
i|i1
1
(Q + F (P 1 + H R1 H )F )1 F (P 1 + H R1 H )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i+1|i
i
i i|i1
i
i i
i
i i
(3.61)
1
1
(Pi|i1 x
bi|i1 + Hi Ri Yi ),
1/2
1/2
1/2
P
H R
F Qi
i|i1
=
1/2
0
0
E Qi
1
1
1/2
(Pi|i1
+ Hi R1
i Hi + Fi Qi Fi )
Q1 F (P 1 + H R1 H + F Q1 F )1/2
Ei+1
i i|i1
i
i
i i
i i
i
0
1
Pi+1|i
(3.62)
31
3.5
Implementac
ao
Ser
ao apresentados a seguir alguns exemplos de implementac
ao para comparar o desempenho dos algoritmos array com relac
ao ao uso das equac
oes de informac
ao em sua
forma explcita. Foram utilizadas implementac
oes por aritmetica de pontos fixos devido
a sua maior limitac
ao de representac
ao dos dados do que pontos flutuantes. Programando com pacote simulink do Matlab de pontos-fixos, as equac
oes de informac
ao em
conjunto com suas correspondentes formas definidas pelos algoritmos array, puderam
ser comparadas atraves da implementac
ao por pontos flutuantes, que e interpretada
como referencia a ser comparada.
A ideia de fazer esta comparac
ao usando pontos-fixos e salientar o aspecto de que
o melhor n
umero de condic
ao que resulta da aplicac
ao dos algoritmos array possibilita
uma seguranca maior em implementac
oes que necessitam hardware com processamento
de pontos fixos. Utilizando como exemplo o sistema singular abaixo
0
0.9693
0
Ei = 0
1.1659 0 , Fi = 0.2693 0.7792
0
0
0
0.1194 0.1134
0.1081
0
0
0.1288
0
Hi = 0
0.5149
0 , Qi = 0
0.1768
0
0
0.3141
0
0
0.0829
0
0
0.1
Ri = 0
0.0317
0 , Ne = 0
0
0
0.0218
0
0
0
0
0.002
0
N f = 0 0.05 0 , N h = 0
0.02818
0
0
0.3
0
0
0.5 0
0
.8
M f = 0 0.5 0 , M h = 0
0
0 1.3
0
1.1396
32
0
0
0.6747
0
0
0.1397
0 0
0 0 ,
0 0
0 ,
0.002
0 0
.8 0 ,
0 .8
i = 40,
1
para tres diferentes implementac
oes. Na
foram calculados os valores singulares de Pi|i
R
primeira, a equac
ao foi calculada via Matlab
usando processamento de ponto flutuante
de precis
ao dupla. Como j
a foi dito, estes c
alculos ser
ao usados como referencia para
comparac
ao. Para muitas implementac
oes em pontos fixos, e necess
ario associar o
tipo de dado e a informac
ao de escala. Nestes exemplos foram utilizados arquitetura
de ponto-fixo com 16-bits onde o primeiro bit determinou o sinal do n
umero (+ ou
) e o u
ltimo bit, o menos significativo foi escalonado para 210 significando que a
implementac
ao tem precis
ao de 210 e pode representar um n
umero de 31.999 a
R
31.999. Estas duas implementac
oes foram feitas via Matlab
software usando o fix-
flutuante. O c
alculo do MSE (mean-square error ) para um valor singular V S e dado
N
2
i=1 (V Sfi, V Si, )
por E =
onde = 1, ..., n, define cada valor singular de uma
N
33
Implementac
ao
Informac
ao
Alg. array
Informac
ao
Alg. array
V S1
22.9510
0.3410
68.6992
0.0044
V S2
67.1321
0.0033
3.8622
0.0003
V S3
0.0026
0.0007
1.4211
0.0004
1
Tabela 3.1: Valores MSE para os valores singulares de Pi|i
1
Portanto a Figura 3.1 e Tabela 3.1 mostram os valores singulares para Pi|i
e seus er-
34
30
25
20
15
10
PontoFlutuante
PontoFixo(Informao)
PontoFixo(Array)
1
6
i
10
11
5.5
4.5
PontoFlutuante
PontoFixo(Informao)
PontoFixo(Array)
3.5
6
i
10
11
4.5
3.5
2.5
PontoFlutuante
PontoFixo(Informao)
PontoFixo(Array)
1.5
6
i
10
11
1
Figura 3.1: Valores Singulares de Pi|i
para a implementac
ao robusta.
Captulo 4
35
4.1
36
Filtro Markoviano
(4.1)
yi = H(i) xi + D(i) vi ,
(4.2)
ancia unit
aria, a
sendo ui , vi rudos gaussianos com media-zero e matrizes de covari
vari
avel aleat
oria x0 1{(0)=j} com media e vari
ancia dadas por E(x0 1{(0)=j} ) = j e
E(x0 x0 1{(0)=j} ) = Vj para {j = 1, . . . , N }, o valor N e o n
umero total de estados
Markovianos. As vari
aveis ui , vi e x0 1{(0)=j} s
ao todas independentes entre si.
Para exemplificar, considera-se um espaco de estados Markovianos para o caso N =
2. Assim o sistema pode assumir duas formas: uma com F1 , G1 , H1 e D1 ou outra com
ao dos estados Markovianos
F2 , G2 , H2 e D2 . A matriz P de probabilidade de transic
e definida como
p
...
11
..
P = .
pN 1 . . .
p1N
..
.
pN N
p11 p12
.
P=
p21 p22
Na cadeia de Markov, estando o estado Markoviano no instante i em (i) = 1, existe
uma probabilidade p11 do estado permanecer em (i + 1) = 1 e p12 do estado saltar
para (i + 1) = 2. Note que a soma destes valores nas linhas de P deve ser igual a 1.
A Figura 4.1 exemplifica a probabilidade de transic
ao dos estados para o sistema com
N = 2.
37
zi := zi,1 . . . zi,N ,
Zi := E(zi zi ),
),
Zi,j := E(zi,j zi,j
),
O melhor estimador linear: Zi|l := E(
zi|l zi|l
).
O erro de estimativa: Zi|l := E(
zi|l zi|l
Note que Zi = diag(Zi,j ), ou seja, Zi e uma matriz quadrada formada por Zi,j ,
j = 1, . . . , N na diagonal e nula nas outras posic
oes. O filtro ser
a escrito em func
ao
das seguintes matrizes
p F ...
11 1
..
F := .
...
p1N F1 . . .
h
Di := D1 1 (i)1/2 . . .
h
H := H1 . . .
pN 1 FN
..
pN N FN
DN N (i)1/2
i
HN .
(4.3)
38
A estimativa x
i|i e dada por
x
i|i =
N
X
zi,j|i
(4.4)
j=1
(4.5)
zi|i1 = F zi1|i1 ,
(4.6)
Zi = diag(Zi,k )
(4.7)
com
Zi+1,k =
N
X
pjk Fj Zi,j Fj +
j=1
N
X
pjk j (i)Hj Hj ,
(4.8)
j=1
Z0 , k = Vk , k {1, . . . , N }
(4.9)
(4.10)
Zi|i1 = F Zi1|i1 F ,
(4.11)
Z0|1 = (0)(0) .
(4.12)
A forma para a Riccati em algoritmo array deduzida neste trabalho para o filtro acima
e dada pelo seguinte teorema
Teorema 4.1.1 A propagaca
o dos erros de estimativa definida por (4.7) do filtro
Markoviano calculado atraves do algoritmo array e definida pelo seguinte procedimento
1/2
1/2
1/2
com j = 1, . . . , N ; Z0
1/2
1/2
diag(Z0,j ) e Z0|1 = ((0)(0) )1/2 .
1/2
Passo 2: Calcular Zi|i1 utilizando uma matriz J-unit
aria J1 de dimens
oes apro-
39
i
i
h
1/2
1/2
=
F Zi1|i1 J1
Zi|i1 0 ,
Zi
(4.13)
L1 M1 0
0
0
0 L2 M2
..
..
..
..
..
.
.
.
.
.
sendo Lk =
1/2
1/2
L1k L2k
LN k
e Mk =
1/2 1/2
1/2
...
0
..
.
0
..
.
LN
MN
(4.14)
M1k M2k
MN k
com Ljk =
pjk Fj Zi,j e Mjk = pjk j (i)Hj . Zi,j pode ser calculada usando uma matriz unit
aria
z tal que
L1 M1
0
..
.
0
..
.
L2 M2
..
..
..
.
.
.
0
..
.
1/2
1/2
Zi,2
..
.
0
.. . .
.
.
0
..
.
0 ...
Zi,N
Zi,1
z =
..
MN
0
0
..
.
LN
...
1/2
.. .
.
0
(4.15)
1/2
aria tal que
Passo 3: Calcular Zi|i utilizando uma matriz unit
1/2
Zi|i1
1/2
H Gi
1/2
1/2
Zi|i1
Zi|i1 H Di
1
(Zi|i1
+ H (Di Di )1 H)1/2
(4.16)
1/2
1
Zi|i1 H (Di Di )1 H(Zi|i1
+ H (Di Di )1 H)1/2 Zi|i
1/2
e calcular Zi|i utilizando uma matriz J-unit
aria J2 de dimens
oes apropriadas tal que
i
h
i
1/2
1/2
Zi Zi|i J2 = Zi|i 0 .
(4.17)
1/2
e ainda calcular Zi|i1 usando a transformaca
o unit
aria 2
1/2
1/2
F Zi1|i1 2 = Zi|i1 .
(4.18)
40
(4.19)
A equac
ao Zi|i fica sendo
Zi|i = Zi|i1 + Zi|i1 H (Di Di )1 HZi|i1
1
Zi|i1 H (Di Di )1 H(Zi|i1
+ H (Di Di )1 H)1 H (Di Di )1 HZi|i1 ,
(4.20)
Z
+ H (Di Di ) H
H (Di Di ) HZi|i1
.
i|i1
Zi|i1 H (Di Di ) H
Zi|i1 + Zi|i1 H (Di Di ) HZi|i1
1/2
Definindo Di
(4.21)
1/2
Zi|i1
1/2
H Di
1/2
Zi|i1 H Di
Z T /2
0
i|i1
0
/2
/2
i|i1
D
H
D
H
Z
i
i
1/2
Zi|i1
T /2
0
Zi|i1
(4.22)
1
(Zi|i1
+ H (Di Di )1 H)1/2
1/2
1
1
1/2
1
(Zi|i1
+ H (Di Di )1 H)1/2
0
1/2
1
+ H (Di Di )1 H)1/2 Zi|i
Zi|i1 H (Di Di )1 H(Zi|i1
(4.23)
que ent
ao define o algoritmo array para a Equac
ao (4.10) dada pela Equac
ao (4.16)
1/2
1/2
Z
H Di
0
i|i1
=
1/2
1/2
0
Zi|i1 H Di
Zi|i1
1
(Zi|i1
+ H (Di Di )1 H)1/2
1/2
1
Zi|i1 H (Di Di )1 H(Zi|i1
+ H (Di Di )1 H)1/2 Zi|i
(4.24)
41
Zi+1,k =
N
X
pjk Fj Zi,j Fj
j=1
N
X
pjkj (i)Hj Hj
(4.25)
j=1
ao de Zi|i como
sendo que Z0,k = Vk , k {1, . . . , N }. Pode-se escrever a equac
h
1/2
Zi
i h
i h
i h
iT
1/2
1/2
1/2
1/2
1/2
F Zi1|i1 J Zi
F Zi1|i1 = Zi|i1 0 J Zi|i1 0
(4.26)
L1 M1 0
0
0
0 L2 M2
..
..
..
..
..
.
.
.
.
.
h
e ainda Lk = L1k L2k
1/2
1/2
pjk Fj Zi,j
e Mjk =
...
0
..
.
0
..
.
LN
MN
i
h
LN k e Mk = M1k M2k
1/2 1/2
pjk j (i)Hj .
(4.27)
MN k
com Ljk =
1/2
1/2
somente os termos de Zi1|i1 . Usando o lema C.1.1, Zi,j pode ser calculada usando
L1 M1 0
0
0
0 L2 M2
..
..
..
..
..
.
.
.
.
.
...
0
0
..
.
LN
1/2
Zi,1
0
0
z =
..
..
.
.
MN
0
1/2
Zi,2
..
.
0
.. . .
.
.
0
..
.
0 ...
Zi,N
1/2
.. (4.28)
.
pois se cada matriz acima for multiplicada por sua tranposta, chega-se ao conjunto de
equac
oes dado em (4.8) que caracteriza Zi , ou seja, uma relac
ao do tipo AA = BB .
Portanto, existe uma transformac
ao J-ortogonal J2 que resulta no seguinte algoritmo
array
h
Zi
i
h
i
1/2
1/2
=
Zi|i
Zi|i 0 .
J2
(4.29)
42
Para a atualizac
ao no tempo, tem-se Zi|i1 = F Zi1|i1 F como
1/2
1/2
Zi|i1 = F Zi1|i1 2 .
(4.30)
i h
i h
i h
i
1/2
1/2
1/2
1/2
Zi F Zi1|i1 J Zi F Zi1|i1 = Zi|i1 0 J Zi|i1 0 .
(4.31)
4.1.1
Zi
i
h
i
1/2
1/2
=
Zi|i1 0 .
F Zi1|i1 J1
(4.32)
Implementac
ao
Para o c
alculo do algoritmo array desenvolvido neste captulo, utiliza-se como exemplo o sistema Markoviano de dois estados apresentado em COSTA (1994)
Estado 1:
h
i
h i
.7 0
3.9 0
, H1 = 2 0 , G1 =
, D1 = 1.6
F1 =
.1 .1
0 5.4
Estado 2:
h
i
h i
.6 0
3.9 0
, H2 = 2 0 , G2 =
, D2 = 1.6
F2 =
.1 .2
0 5.4
.9 .1
.
P =
.1 .9
porem, o u
ltimo bit o menos significativo foi escalonado para 29 significando que a
43
implementac
ao tem precis
ao de 0.002 e pode representar um n
umero de 65.543 a
R
software usando o fix65.543. Estas duas implementac
oes foram feitas via Matlab
Implementac
ao
Equac
oes
Alg. array
V S1
533.0976
0.0348
V S2
14.5409
0.0030
V S3
47.2012
0.0083
V S4
0.0733
0.0004
44
70
25
60
20
50
15
40
30
10
20
5
PontoFlutuante
PontoFixo
PontoFixo(Array)
10
10
15
i
20
25
30
PontoFlutuante
PontoFixo
PontoFixo(Array)
0
10
15
i
20
25
30
18
16
5
14
12
10
3
8
PontoFlutuante
PontoFixo
PontoFixo(Array)
10
15
i
20
25
30
PontoFlutuante
PontoFixo
PontoFixo(Array)
0
10
15
i
20
25
30
Captulo 5
Algoritmo de Paige
Simulac
oes e algumas an
alises matem
aticas mostram que o desempenho das diferentes variac
oes das equac
oes recursivas dos filtros de Kalman em implementac
ao com
precis
ao finita depende muito do condicionamento das matrizes Ri e em menos grau
da dupla {Qi , Fi } VERHAEGEN & DOOREN (1986). Quando as matrizes s
ao bem
condicionadas todas as implementac
oes s
ao satisfat
orias e o usu
ario deve usar a que
mais lhe convem. A melhor maneira de lidar com mal condicionamento e rever o modelo
assumido e a precis
ao com que os par
ametros s
ao conhecidos ou determinados. Esta
precis
ao geralmente determina o nvel de esforco a ser gasto na escolha do algoritmo.
Com isto em mente, ser
a introduzida uma outra variac
ao das equac
oes recursivas
do filtro de Kalman. Esta variac
ao evita uma perda de precis
ao potencial quando se faz
1/2
1/2
, Hi Pi
mente adapt
avel para utilizar em sistemas singulares, que e o objetivo principal deste
captulo. Esta formulac
ao foi desenvolvida por Paige PAIGE (1985) para problemas de
filtragem no espaco de estados.
Como j
a foi visto nos captulos anteriores, este trabalho tem considerado duas
abordagens para se obter a soluc
ao para este problema de estimativa. A primeira
abordagem, chamada de filtragem de covari
ancia, obtem a matriz de covari
ancia Pi|i
de Pi|i1 incorporando o passo de medida (5.2) e ent
ao obtem Pi+1|i de Pi|i usando o
1
1
1
passo temporal (5.1). A outra abordagem obtem Pi|i
de Pi|i1
usando (5.2) e Pi+1|i
de
1
Pi|i
usando (5.1). Esta segunda abordagem e normalmente chamada de filtragem de
informaca
o por causa da relacao da inversa da covari
ancia com a Matriz de Informaca
o
45
46
de Fisher, veja MAYBECK (1979). Uma outra terminologia para este caso e filtragem
de covari
ancia inversa. Considera-se o seguinte sistema singular
Ei xi+1 = Fi xi + Gi wi
(5.1)
yi = Hi xi + vi ,
(5.2)
sendo as vari
aveis aleat
orias ui , vi , x0 de media zero e
T
w
w
Q
i j
i ij
E
vi vj
S
i ij
0
x0
x0
Si ij
Ri ij
0
(5.3)
as matrizes {Fi , Gi , Hi , 0 , Qi , Si , Ri } s
ao conhecidas, os valores Qi e Ri s
ao as autocovari
ancias de wi e vi respectivamente e Si e covari
ancia cruzada entre os rudos.
O objetivo e usar a sada yi para estimar xi . A abordagem adotada e achar a melhor estimativa linear n
ao polarizada, que expressa a estimativa de mnima vari
ancia,
ancia de xi
veja ANDERSON & MOORE (1979). Seja x
i|j a estimativa de mnima vari
dado y1 , . . . , yj , o erro da estimativa com a respectiva covari
ancia s
ao definidos como
x
i|j , x
i|j xi ,
(5.4)
Pi|j , E[(
xi|j E[
xi|j ])(
xi|j E[
xi|j ]) ].
(5.5)
(5.6)
/2
(5.7)
(5.8)
47
5.1
Estrutura de covari
ancia
Para resolver o problema das estimativas iniciais e prosseguir na busca de um algoritmo alternativo robusto numericamente, define-se uma estrutura de representac
ao do
sistema a partir da definic
ao de covari
ancia. S
ao utilizadas duas maneiras distintas de
representac
ao de um vetor aleat
orio x qualquer
x=x
+ N u,
(5.9)
(5.10)
48
e de informac
ao juntas
U x = b + N u,
sendo que E[u] = 0,
(5.11)
(5.12)
vi
Ril 0
vi
Rir o
v
=
i,
Sil Qli
wi
Sir Qri
w
i
(5.13)
b0
U0
...
y0 R0 E0 0 . . .
y1 = 0 R1 E1 . . .
.. ..
..
.. . .
. .
.
.
.
yN
0
0
0 ...
0
0
0
..
.
RN
x0
x1
.
..
..
.
x
N
EN
N0
...
S0
...
0
..
.
0
..
.
S1 . . .
..
..
.
.
0
...
u0
0 u0
0 u1
.. ..
.
.
SN
uN
(5.14)
0
yi
Hi I
0
i
h i
h
0
0 Ril 0
0
, U0 = U
, Ei =
,
R
sendo b0 = b0 , yi =
=
0
0
i
0
0
0 Sil Qli
0
di
Fi 0 Gi
Ei+1
0
0
xi
r
h i
h
i
Ri 0
vi
, u
0 , Si =
0 = u
xi = vi , N0 = N
0 , ui = .
Sir Qri
w
i
wi
0
0
49
0 0
0 0
,
0 0
0 0
(5.15)
Note que (5.14) inclui uma entrada conhecida di , que e opcional para o problema de
filtragem. O sistema est
a definido para N instantes de tempo. A Equac
ao (5.14) mostra
a estrutura na qual o algoritmo de filtragem ser
a formulado, que e de natureza recursiva.
Deve-se notar que a primeira linha mostra a condic
ao inicial do problema e o restante
das linhas mostra a estrutura do problema para cada instante i. Como n
ao existem
produtos de matrizes em (5.14), que tem como sub-blocos os dados originais, qualquer
algoritmo est
avel para achar a estimativa
otima para x em (5.15) ser
a numericamente
estavel para o problema original de acordo com PAIGE (1985).
Em geral, a formulac
ao (5.14) e (5.15) facilita o entendimento do problema e facilita
o que ser
a formulac
ao de algoritmos est
aveis e eficientes numericamente. E
a apresentado na pr
oxima sec
ao. Note que (5.15) tem a mesma forma de (5.12). Para ilustrar
uma outra maneira de se resolver (5.15), e mostrado em KOUROUKLIS & PAIGE
(1981) que a estimativa de vari
ancia mnima para x em (5.15) e a soluc
ao do problema
de mnimos quadrados generalizados
min u u sujeito a y = Ax + Lu,
x,u
(5.16)
x0 ,
u0
(5.17)
50
(5.18)
Em PAIGE (1985) s
ao apresentadas outras alternativas para resolver o sistema (5.15).
5.2
O Algoritmo de Paige
U0
...
Y0 R0 E0 0 . . .
Y1 = 0 R1 E1 . . .
.. ..
..
.. . .
. .
.
.
.
YN
0
0
0 ...
0
0
0
..
.
RN
X0
X1
0
.. +
..
.
X
N
EN
N0
...
S0
...
0
..
.
0
..
.
S1 . . .
.. . .
.
.
...
U0
0 U0
0 U1
.. ..
.
.
SN
UN
(5.19)
h i
h
h i
i
yi
Hi
0
, Xi = xi ,
0 , Ri = , Ei =
sendo B0 = b0 , Yi = , U0 = U
di
Fi
Ei+1
1/2
h i
h i
R
0
vi
U0 = u
0 , Si = i
N0 = N
, Ui = ou
0
1/2
S i Qi
wi
y = Ax + Lu
(5.20)
1/2
vi vi , w
i wi , Rir Ri , Gi Sir Si , Gi Qri Qi .
(5.21)
51
b0
0
U0 0
y0 H0 0
0
d0 F0 E1 0
y1 0 H1 0
=
d 0 F E
1
2
1
. .
..
..
. .
.
.
. .
0
0
yN 0
0
0
0
dN
0 ...
0 ...
0 ...
0 ...
0 ...
.. . .
.
.
0
..
.
0 ...
HN
0
x0
0
x1
.. +
0
.
..
. xN
(5.22)
0 . . . FN EN +1
0
0
0
0
...
0
0 u
0
N0
1/2
0 R0
0
0
0
...
0
0
v0
1/2
0
0
0
...
0
0
S 0 Q0
w0
1/2
0
v1
0
0
R
0
.
.
.
0
0
1
1/2
0
w
0
0
S
Q
.
.
.
0
0
1
1
1
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1/2
0
0
0
0
. . . RN
0 vN
0
1/2
0
0
0
0
0
. . . S N QN
wN
Teorema 5.2.1 A estimativa filtrada do sistema (5.1), reescrito de acordo com (5.22),
e dada pelo seguinte algoritmo
0 = I, b0 = 0 e N
0 = (P 1 + H R1 H0 )1/2 ,
1. Dadas
es iniciais U
0 0
0
ascondico
Ei
i seja posto coluna pleno,
for posto coluna pleno, o que garante que U
se
Hi
definir uma transformaca
o ortogonal Ti que triangularize pela esquerda o seguinte
array
0
Ti = ,
i
Hi
U
i
U
(5.23)
52
e calcular
Ti
i
N
0
bi
ri
Ti =: ,
bi
yi
0
X11 X12
=:
.
1/2
Ri
X21 X22
(5.24)
(5.25)
i 0
X11 X12
N
X21 X22 Pi = R
R
i
i
Si Si
0
S0
(5.26)
(5.27)
bi = bi R
i vi ,
(5.28)
di = di Si vi ,
(5.29)
(5.30)
i
U
Ui U0,i
0
=
,
Ti
i+1
Fi Ei+1
0 U
(5.31)
e calcular
i
11 X
12
R
0
X
=:
Ti
1/2
21 X
22
Si Qi
X
bi
ci
.
Ti =:
bi+1
di
(5.32)
(5.33)
53
N N0,i
Pi =: i
.
X22
0 Ni+1
12
11 X
X
21
X
(5.34)
calcular
1/2
1 R
i,
Pi|i = U
i
(5.35)
1bi .
x
i|i = U
i
(5.36)
T0
0
0
0 N
0 0
0
0
0 N
I 0
I 0
=
=
0
0 R
0 R
0
,
H0 0 R01/2
U
U
0 P
0 P
I
0
0
F0 0 S0
F0 0
S0
F0 S0 S0
(5.37)
sendo
v0
u
1
b0
r0
u
0
v0
T0 = , P0 =
b0
y1
v0
u
1
(5.38)
vari
aveis aleat
orias com media zero e vari
ancia unit
aria. As tres primeiras
0 0
r0
0
0
N
0
v
x0
0
+ R0 R
b0 = U0 0
0 u
0 .
x
1
1/2
d0
w0
F0 E1
S0 S0 Q0
(5.39)
54
Pode-se calcular v0 em
0 v0 = r0 ,
N
(5.40)
(5.41)
+
0 .
=
1/2
d0
F0 E1
x1
S0 Q0
w0
(5.42)
0 e invertvel, x
A estimativa para o primeiro passo segue da primeira linha. Como U
0|0
deve satisfazer
b0 = U
0 x
0|0
(5.43)
(5.44)
1b0 e
tem-se uma estrutura como em (5.9), ou seja, a vari
avel aleat
oria x0 tem media U
0
1 R
0R
U
vari
ancia U
otima para x0 e a sua media, ou seja, a estimativa
0 0 . A estimativa
0
1b0 . A estimativa preditora x
filtrada x
0|0 e igual a U
1|0 obedece a seguinte igualdade
0
se E1 tiver posto linha pleno
d0 = F0 x
0|0 + E1 x
1|0 .
(5.45)
b0 = U
0 x0 + R
0 u
0 , sendo E[
u0 ] = 0 e E[
u0 u
0 ] = I,
(5.46)
De (5.12), tem-se
55
por
0 (
0u
U
x0|0 x0 ) = R
0 .
(5.47)
1 R
0 R
U
e a covari
ancia do erro P0|0 . Na
ou seja, a vari
ancia U
0 0 calculada em (5.44)
0
atualizac
ao do tempo, deve-se eliminar F0 e S0 em (5.42) usando as transformac
oes T0
e P0 em
U0 U01
0
1
U
T0
0
U
F0
|
I
|
0
0
| R
=
1/2
E1 | S0 Q0
0 P0
01
U0 U01 | N0 N
0
=
1 | 0 N
1
P0
0 U
b0
b0|0
u
0
u0
T0 = , P0 = , U0 posto linha pleno
b1
w0
u
1
d0
(5.48)
(5.49)
O sistema ent
ao se torna
b0|0 U0 U01 0 . . .
1 0 . . .
b1 0 U
y1 0 H1 0 . . .
d1 = 0 F1 E2 . . .
. .
..
..
..
.. ..
.
.
.
0
0 ...
yN 0
dN
0
0
0 ...
0
0
...
N0 N01
1
0 N
0
0
...
1/2
0
0 R1
0
...
1/2
0
0
S 1 Q1
...
.
.
.
.
..
..
..
..
..
.
0
0
0
...
0
0
0
0
0
...
0
0
0
0
..
.
HN
FN
x0
0
x1
0
.. +
.
..
.
xN
EN +1
0
0
0
0
..
.
1/2
RN
SN
(5.50)
0 u
0
1
0
u
0 v1
0 w1
.
.
..
.
..
0 vN
1/2
QN
wN
Como U0 tem posto linha pleno, pode-se desconsiderar a primeira linha e a primeira
56
(5.51)
5.3
Implementac
ao
1 0 0
0.8 0
0
1.4
Ei = 0 1 0 , Fi = 0 0.6 0 , Hi = 1
0 0 0
0.1 0.1 0.1
0
1.2 0 0
1.5
Qi = 0 1.6 0 , Ri = 0
0
0 2
0
0.8 1
0 0 ,
1 0
0
0
1.5 0 .
0 1.2
Pode-se observar que ambos os algoritmos forneceram os mesmos resultados. Apesar dos resultados similares, o algoritmo apresentado no Teorema 5.2.1, de acordo
com PAIGE (1985b) e mais robusto numericamente pois alem de ter propriedades
de robustez parecidas com os algoritmos array, n
ao existe perda de informac
ao por
1/2
1/2
existentes no pre-array da
57
10
Estado 1
Estimativa Paige
Estimativa Equaes
5
0
5
40
45
50
55
60
65
70
75
80
5
Estado 2
Estimativa Paige
Estimativa Equaes
0
5
40
45
50
55
60
65
70
75
80
40
Estado 3
Estimativa Paige
Estimativa Equaes
20
0
20
40
40
45
50
55
60
65
70
75
80
(a)
Valores Singulares de P
4.5
3.5
3
Paige
Eq. Explcitas
2.5
1.5
0.5
10
20
30
40
50
60
70
80
(b)
Figura 5.1: (a) Estimativa dos estados e (b) valores singulares de Pi,i , calculados
atraves da equac
ao nominal do filtro de Kalman para sistemas singulares e do algoritmo
apresentado no Teorema 5.2.1.
Captulo 6
Conclus
ao
Nesta dissertac
ao foram feitos estudos sobre implementac
oes computacionais alternativas para problemas de estimativa utilizando algoritmos array e filtros de informac
ao. Estas alternativas minimizam problemas causados por erros de arredondamento e mal condicionamento de matrizes pois reduzem a faixa din
amica das matrizes
calculadas, ou seja, os valores calculados variam dentro de uma faixa reduzida. As
simulac
oes apresentadas no texto mostram a viabilidade dos algoritmos propostos.
As principais contribuic
oes originais deste trabalho est
ao resumidas a seguir.
Foram deduzidos filtros de informac
ao, nominais e robustos, para sistemas singulares discretos no tempo. Tambem foram apresentados os respectivos algoritmos
array para as vers
oes de informac
ao. Em KAILATH et al. (2000), uma condic
ao
suficiente para a existencia de Pi1 para os filtros de Kalman na forma de informac
ao e a invertibilidade da matriz de par
ametros Fi (veja Lema 9.5.1, p. 343).
Os filtros de informac
ao desenvolvidos neste trabalho n
ao tem esta restric
ao.
Neste trabalho tambem foi deduzido um algoritmo array para um filtragem de
um sistema linear sujeito a saltos Markovianos que estima sistemas din
amicos
vulner
aveis a mudancas abruptas em suas estruturas. N
ao foi encontrada na
literatura uma formulac
ao similar utilizando algoritmos array para a filtragem
deste tipo de sistema. Resultados de simulac
ao mostram as vantagens de se usar
este tipo de abordagem tambem para este caso.
58
Refer
encias Bibliogr
aficas
ANDERSON & MOORE (1979) ANDERSON, B. & MOORE, J. (1979). Optimal Filtering.
Prentice-Hall, New Jersey.
ATHANS et al. (1977) ATHANS, M., CASTANON, D., DUNN, K. P., GREENE, C. S.,
LEE, W. H., SANDELL, N. R., & WILLSKY, A. S. (1977). The stochastic control
of the F-8C aircraft using a multiple model adaptive control (MMAC) method Part I: Equilibrium flight. IEEE Transactions on Automatic Control, 22:768780.
CAMPOS (2004) CAMPOS, J. (2004). Filtragem robusta para sistemas singulares discretos
no tempo. Tese de Doutoramento, Escola de Engenharia de S
ao Carlos - USP.
CHISCI & ZAPPA (1992) CHISCI & ZAPPA (1992). Square Root Kalman Filtering of
Descriptor Systems. System and Control Letters, 19:325334.
COSTA & do Val (2002) COSTA, E. F. & do Val, J. B. R. (2002). Weak Detectability
and the Linear Quadratic Control Problem of Discrete-Time Markov Jump Linear
Systems. International Journal of Control. Special issue on Switched and Polytopic
Linear Systems, 75:12821292.
COSTA (1994) COSTA, O. L. V. (1994). Linear Minimum Mean Square Error Estimation
for Discrete-Time Markovian Jump Linear Systems. IEEE Trans. on Automatic
Control, 39(8):16851689.
COSTA & FRAGOSO (1995) COSTA, O. L. V. & FRAGOSO, M. (1995). Discrete-Time
LQ-Optimal Control Problems for Infinite Markov Jump Parameter Systems. IEEE
Transactions on Automatic Control, AC-40:20762088.
COSTA & JIMENEZ (2002) COSTA, O. L. V. & JIMENEZ, S. G. (2002). Stationary Filter
59
60
Referencias Bibliogr
aficas
47(11):19261930.
ISHIHARA et al. (2004) ISHIHARA, J. Y., TERRA, M. H., & CAMPOS, J. C. T. (2004).
Optimal recursive estimation for discrete-time descriptor systems. In Proceedings
of Amerrican Control Conference, Boston, MA, June/July 2004.
ISHIHARA et al. (2004b) ISHIHARA, J. Y., TERRA, M. H., & CAMPOS, J. C. T. (2004).
Robust Kalman Filter for Descriptor Systems. In Proceedings of Amerrican Control
Conference, Boston, MA, June/July 2004.
JAZWINSKI (1970) JAZWINSKI, A. (1970). Stochastic processes and Filtering Theory.
New York: Academic.
Referencias Bibliogr
aficas
61
JI & CHIZECK (1990) JI, Y. & CHIZECK, H. J. (1990). Controlability, Stabilizability and
Continuous Time Markovian Jump Linear Quadratic Control. IEEE Transactions
on Automatic Control, 35(7):777788.
JI & CHIZECK (1990b) JI, Y. & CHIZECK, H. J. (1990). Jump Linear Quadratic Gaussian
Control: Steady-State Solution and Testable Conditions. Control Theory and
Advanced Technology, 6(3):289319.
KAILATH et al. (2000) KAILATH, T., SAYED, A. H., & HASSIBI, B. (2000). Linear
Estimation. Pretince Hall.
KALMAN (1960) KALMAN, R. (1960). A new approach to linear filtering and Prediction
Problems. Trans. of the ASME (J. Basic En.), 82D:3545.
KAMINSKI et al. (1971) KAMINSKI, P., BRYSON, A., & SCHMIDT, S. (1971). Discrete
square root filtering: a survey of current techniques. IEEE TRans. Automat.
Contr., AC-16:727736.
KAYLATH et al. (2000) KAYLATH, T., SAYED, A. H., & HASSIBI, B. (2000). Linear
Estimation. Prentice-Hall.
KOUROUKLIS & PAIGE (1981) KOUROUKLIS, S. & PAIGE, C. C. (1981).
A con-
Referencias Bibliogr
aficas
62
PAIGE (1985b) PAIGE, C. C. (1985). Covariance matrix representation in linear filtering. In Linear algebra and its role in systems theory (Brunswick, Maine, 1984),
volume 47 of Contemp. Math., pages 309321. Amer. Math. Soc., Providence, RI.
SINGH & LIU (1973) SINGH, S. P. & LIU, R. W. (1973). Existence of state equation representation if linear large-scale dynamic systems. IEEE Trans. on Circuit Theory,
20(5):239246.
SWORDER & ROGERS (1983) SWORDER, D. D. & ROGERS, R. O. (1983). An LQsolution to a control problem associated with a solar thermal central receiver.
IEEE Transactions on Automatic Control, 28(10):971978.
VERHAEGEN & DOOREN (1986) VERHAEGEN, M. & DOOREN, P. V. (1986). Numerical aspects of different Kalman filter implementations. IEEE Trans. Automat.
Control, 31(10):907917.
Ap
endice A
Resultados Matriciais
Importantes
A.1
Complemento de Schur
A B
M =
C D
(A.1)
X I
A B
A B
C D
XA + C XB + D
(A.2)
CA1
A B
I
C D
0 A
0
(A.3)
A B
C D
A1 B
I
63
.
C A
(A.4)
APENDICE
A. RESULTADOS MATRICIAIS IMPORTANTES
64
CA1
A B
C D
A1 B
(A.5)
CA1
(A.6)
A.2
A B
C D
A
0
0
A
A1 B
I
(A.7)
Lema da Invers
ao de Matrizes
O lema da invers
ao de matrizes e dado pelas seguintes relac
oes
(A + BCD)1 = A1 A1 B(C 1 + DA1 B)1 DA1
(A.8)
ou, para C n
ao invertvel
(A + BCD)1 = A1 A1 B(I + CDA1 B)1 CDA1
(A.9)
Ap
endice B
Transforma
c
oes Unit
arias
B.1
Transformac
oes de Householder
As transformac
oes de Householder zeram v
arias entradas de uma linha de uma s
o
vez. Considera-se neste texto apenas matrizes com entradas de n
umeros reais. Para
um vetor linha n-dimensional x, sup
oe-se que se queira zerar v
arias entradas utilizando
uma matriz simetrica e ortogonal , ou seja, transformar x na forma
h
x1 x2 . . .
xn1 = e0
(B.1)
h
sendo um escalar real a ser determinado e e0 o primeiro vetor base e0 = 1 0 . . .
i
0 .
O escalar n
ao pode ser arbitr
ario e de fato ele deve ser escolhido a priori e antes
65
APENDICE
B. TRANSFORMAC
OES
UNITARIAS
66
e0
Figura B.1: Interpretac
ao geometrica da rotac
ao de Householder
vetor ser
a dividido em duas partes iguais. A parte de cima e a projec
ao do vetor x em
g, que e igual a < x, g > kgk2 g. Portanto
e0 = x 2 < x, g > kgk2 g.
(B.2)
Esta transformac
ao e denominada reflex
ao porque reflete o vetor x pela perpendicular
de g. Quando x e g s
ao vetores puros, tem-se que < x, g >= xgT , e a equac
ao e
reduzida a
T
T 1
e0 = x 2xg (gg )
gT g
g =x I 2 T
gg
(B.3)
(B.4)
APENDICE
B. TRANSFORMAC
OES
UNITARIAS
67
transformac
ao 0 para rotacionar a primeira linha tal que temos A0 da forma abaixo
A0 =
A1
(B.5)
B.2
Transformac
oes de Givens
i
h
i
a b = 0
(B.6)
sendo que e um n
umero real a ser determinado. O valor de que transforma (B.6)
e dado por
1
1
= p
2
1+ 1
(B.7)
ao
sendo = ab , a 6= 0. Pode-se verificar que faz realmente a seguinte transformac
h
i
h
i
2
2
=
a b
a +b 0
(B.8)
APENDICE
B. TRANSFORMAC
OES
UNITARIAS
68
i
ao = xj /xi e definindo-se
xi xj . Seja ent
1+2
1+2
1
1
1+2
1+2
1
1
(B.9)
h
i
tem-se ent
ao que x = 0 . Para triangularizar uma matriz
B.3
Rotac
oes de Givens Hiperb
olicas
Rotac
oes de Givens Hiperb
olicas s
ao matrizes de rotac
ao 2 2 que preservam a
norma-J, sendo portanto uma transformac
ao J-ortogonal. Uma transformac
ao Jortogonal e uma matriz que satisfaz
J = J = J
sendo J uma matriz assinatura, ou seja, uma matriz diagonal com entradas 1:
J = (Ip Iq ), p 1, q 1
Transformac
oes J-unit
arias preservam a J-norma quadr
aticade um vetor, ou seja,
se y = x ent
ao
kyk2J , yJy = xJ x = xJx , kxk2J
No caso de uma matriz de rotac
ao hiperb
olica 22 , J e dado por J = (1 1).
APENDICE
B. TRANSFORMAC
OES
UNITARIAS
69
h
i
Dado um vetor real 1 2 x = a b , deseja-se encontrar tal rotac
ao hiperb
olica que
h
i
h
i
x= a b = 0 ,
(B.10)
sendo um n
umero real a ser determinado. Neste caso nem sempre e possvel fazer
tal transformac
ao, pois pode ocorrer de kxk2J = a2 b2 ser negativo. Assim quando a
norma-J for negativa ser
a possvel fazer a seguinte transformac
ao
h
i
h
i
x= a b = 0 .
(B.11)
onde = b , a 6= 0
1 2
a
1
1
(B.12)
o que gera
h
i
h
i
a b = a2 b2 0 e
(B.13)
onde = a , b 6= 0
=p
b
1 2 1
1
o que gera
i
h
i
2
2
=
a b
0 b a .
(B.14)
(B.15)
Ap
endice C
Teoremas Auxiliares
C.1
Rotac
oes de bases
C.2
{A,b}
(C.1)
A b
= H
Na Nb
, kk 1.
(C.2)
A soluca
o do problema de otimizaca
o (C.1) e dada por
T Nb ]
+ AT W
A]1 [AT W
b + N
x
= [Q
a
70
(C.3)
APENDICE
C. TEOREMAS AUXILIARES
71
W
} s
sendo que as matrizes de ponderaca
o modificadas {Q,
ao definidas como
T Na ;
:= Q + N
Q
a
H T W H) H T W
:= W + W H(I
W
(C.4)
(C.5)
e o par
e
ametro escalar n
ao negativo calculado pelo seguinte problema de otimizaca
o
= arg
min
kH T W Hk
G()
(C.6)
sendo
G() := kx()k2Q + kNa x() Nb k2 + kAx() bk2W () .
(C.7)
As funco
es auxiliares s
ao definidas como
T Nb ];
x() := [Q() + AT W ()A]1 [AT W ()b + N
a
Q() := Q + NaT Na ;
(C.8)
(C.9)
W () := W + W H(I H T W H) H T W.
Para calcular as estimativas robustas filtradas
otimas, as seguintes definic
oes devem
i
ser aplicadas no Lema C.2.1 para o c
alculo de
APENDICE
C. TEOREMAS AUXILIARES
Na
Fi
Ei+1
Hi+1
72
; b
i|i
Fi x
zi+1
Fi Ei+1
Fi x
i|i
; b
0
Hi+1
0
1
Pi|i
0
Q1
0
; W i
1
0
0
0
Ri+1
Nf,i Ne,i+1
Nf,i x
i|i
; Nb
0
Nh,i+1
0
Mf,i
0
0
Mh,i
(C.10)
e para as condic
oes iniciais, as seguintes definic
oes sao v
alidas
A H0 ; b z0 ;
A H0 ; b 0;
Q P01 ; W R01 ;
H Mh,0 ; Na Nh,0 ;
Nb 0.
(C.11)
APENDICE
C. TEOREMAS AUXILIARES
Fi Ei+1
73
i|i1
Fi x
;
zi Hi x
i|i1
Fi Ei+1
Fi
x
; b
A
i|i1
Hi
0
Hi
1
Pi|i1
0
Q1
0
;
;W i
Q
0
0
0
Ri1
Mf,i
0
Nf,i
; Nb
x
H
i|i1 .
0
Mh,i+1
Nh,i
Nf,i Ne,i+1
.
Na
Nh,i
0
A
C.3
Hi
;b
(C.12)
Transformac
oes J-unit
arias