Algoritmos Array para Filtragem de Sistemas PDF

Algoritmos Array para Filtragem de Sistemas
Singulares
Antonio Carlos Padoan Junior
Dissertacao apresentada `a Escola de

Engenharia de Sao Carlos da Universidade de Sao Paulo, como parte dos
requisitos para obtencao do ttulo de
Mestre em Engenharia Eletrica
Orientador: Prof. Dr. Marco Henrique Terra
S
ao Carlos
2005
Dedicat
oria
Dedico esta dissertac

ao a minha famlia.
Agradecimentos
Agradeco a minha famlia, pelo suporte dado ao longo desta jornada.

Ao meu orientador, Prof. Dr. Marco Henrique Terra, principalmente por sua
perseveranca no desenvolvimento deste trabalho.
Ao Prof. Dr. Jo
ao Ishihara cujo apoio foi muito precioso.
Tambem n
ao posso deixar de agradecer todas as pessoas que fizeram parte da minha
vida ao longo deste mestrado, colegas de laborat
orio, funcion
arios do departamento,
colegas de rep
ublica, pessoal do CAASO e ex-colegas de graduac
ao.
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
Filtro de Kalman no Espaco de Estados . . . . . . . . . . . . . . . . . .
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
Filtro Singular Robusto . . . . . . . . . . . . . . . . . . . . . . .
3 Filtragem de Sistemas Singulares
19
3.1
Estimativa Filtrada Nominal . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2
Estimativa Preditora Nominal . . . . . . . . . . . . . . . . . . . . . . . .
23
3.3
Estimativa Filtrada Robusta . . . . . . . . . . . . . . . . . . . . . . . .
27
3.4
Estimativa Preditora Robusta . . . . . . . . . . . . . . . . . . . . . . . .
30
3.5
Implementac
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
4 Algoritmo Array para Sistemas Markovianos

4.1
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
A Resultados Matriciais Importantes
63
A.1 Complemento de Schur . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
A.2 Lema da Invers

ao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . .
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
C.2 Filtro Robusto para Sistemas Singulares CAMPOS (2004) . . . . . . . .
70
C.3 Transformac
oes J-unit
arias . . . . . . . . . . . . . . . . . . . . . . . . .
73
Lista de Figuras
2.1
Diagrama de blocos exemplificando a utilizac

ao do Filtro de Kalman. . .
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
Cadeia de Markov com N = 2. . . . . . . . . . . . . . . . . . . . . . . .
37
4.2
Valores Singulares de Zi|i1 . . . . . . . . . . . . . . . . . . . . . . . . . .
44
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. . . . . . . . . . . . . . . .
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
Este texto est

a organizado da seguinte forma: No Captulo 2 e feita uma revis
ao
bibliogr
afica dos principais t
opicos abordados por esta pesquisa
Filtragem de Kalman convencional;
Algoritmos Array para filtros de Kalman;
Filtragem de Kalman para Sistemas Descritores e as vers
oes robustas.
No Captulo 3, s
ao deduzidos filtros de informac
ao, atraves das equac
oes de Riccati, e os respectivos algoritmos array para os filtros robustos e nominais de sistemas
singulares, tambem ser
ao apresentados exemplos numericos. Nos captulos 4 e 5 s
ao
deduzidos algoritmos array para sistemas Markovianos e apresentada a vers
ao para
sistemas singulares do filtro deduzido em PAIGE (1985).
Captulo 2
Revis
ao Bibliogr
afica
2.1
Filtro de Kalman no Espa

co de Estados
Em 1960, R. E. Kalman publicou um artigo que descreve uma soluc

ao recursiva
ao problema de filtragem linear de sinais discretos KALMAN (1960). Desde entao,
devido em grande parte aos avancos da computac
ao digital, o filtro de Kalman tem
sido tema de intensas pesquisas e aplicac
oes. O filtro de Kalman e um conjunto de
equac
oes matem
aticas que fornece uma soluc
ao computacional (recursiva) eficiente para
a estimativa de sistemas, baseada fundamentalmente na otimizac
ao de um funcional
quadr
atico. Este filtro e bastante eficiente em diversos aspectos: suporta estimativas
de estados passados, atuais e futuros, ou seja, suavizac
ao, filtragem e predic
ao.
De acordo com KAILATH et al. (2000), mostra-se a seguir um problema de estimativa de estados, resolvido atraves da minimizac
ao do erro medio quadr
atico da
estimativa, para as equac
oes
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
Figura 2.1: Diagrama de blocos exemplificando a utilizac

ao do Filtro de Kalman.
i = x
i|i1 ,
O filtro de Kalman para prever os estados em um passo para xi , com x
sendo conhecido o vetor de sada do sistema {y0 , . . . , yi1 }, pode ser calculado recursivamente atraves das equac
oes
x
0 = 0,
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.
Equivalentemente, o estimador de estados x

i pode ser atualizado de maneira alternativa
tal que envolva atualizac
oes do tempo e de medida. Adiante tem-se os conjuntos de
equac
oes que completam os dois ciclos de cada iterac
ao. A Figura 2.2 exemplifica o
processo.
BIBLIOGRAFICA
CAPITULO 2. REVISAO
Atualizacao no Tempo
Atualizacao da Medida
Estimativas Iniciais
Figura 2.2: Ciclo de atualizac

oes do filtro de Kalman
Atualizac
oes da medida
x
i|i = x
i + Kf,i ei ,
(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
Uma forma de implementar equac

oes de Riccati para problemas de estimativa e
atraves de metodos que utilizam algoritmos array. Esses metodos foram originalmente
introduzidos na literatura como uma maneira de aliviar alguns problemas computacionais associados `
a equac
ao recursiva de Riccati usada no filtro de Kalman. Tambem
apresentam outras vantagens, como reduc
ao da faixa din
amica dos n
umeros calculados
em implementac
oes por aritmetica de pontos-fixo, possibilitando a utilizac
ao de uma
faixa maior de par
ametros sem que os c
alculos fiquem comprometidos pelos limites de
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
explicitamente calculada no computador e um fator raiz quadrada Pi

1/2
a cada iterac
ao ao inves de Pi . A propagac
ao de Pi
e propagado
evita uma serie de problemas
computacionais causados por erros de arredondamento.

Um fator raiz quadrada de uma matriz n n semi-definida positiva P e definido
como uma matriz n n A tal que P = AA . Estas razes quadradas n

ao s
ao u
nicas.
Sendo uma matriz unit

aria, ou seja, = = I, ent
ao pode-se deduzir que A
tambem e um fator raiz quadrada de P . Este fator pode vir a ser u
nico se impusermos
restric
oes adicionais como P sendo triangular ou Hermitiana. Na realidade, o fator
Hermitiano e a raiz quadrada verdadeira pois P = AA = A2 e podemos escrever
A = P 1/2 . Na maioria das aplicac
oes e conveniente escolher este fator como sendo
triangular inferior. Para facilitar a notac
ao usa-se neste texto P 1/2 para denotar fator
raiz quadrada triangular inferior a n
ao ser quando devidamente comentado. Tambem
tem-se as seguintes convenc
oes
BIBLIOGRAFICA
CAPITULO 2. REVISAO
P /2 , (P 1/2 ) , P 1/2 , (P 1/2 )1 , P /2 , (P 1/2 ) .

Pode-se escrever
P = P 1/2 P /2 , P 1 = P /2 P 1/2 .
Em geral, os fatores raiz-quadrada de uma equac
ao recursiva podem ser propagados
por algoritmos array da seguinte forma
1. Forma-se um determinado pre-array de n
umeros baseados nos dados do tempo i.
2. Este pre-array e reduzido para uma forma especfica (geralmente triangular) por
uma seq
uencia de operac
oes unit
arias elementares (rotac
oes e reflex
oes).
3. Os valores desejados do tempo i + 1 podem ser imediatamente lidos a partir dos
chamados post-array.
4. Nenhuma equac
ao explcita e necess
aria. O processo est
a ilustrado na Figura 2.3

M atriz
P re Array
|
{z
}
Matriz triangular
T.U.

M atriz
P ost Array
|
{z
}
Matriz soluca
o
Figura 2.3: Transformac

ao unit
aria (T.U.) no Algoritmo Array.
Um exemplo apresentado na literatura para ilustrar os efeitos de erros numericos
no c
alculo da equac
ao de Riccati, pode ser encontrado na Sec
ao 2.2.2.
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
Hi , hi , um vetor coluna, Ri , r(i), Re,i , re (i), ambos escalares.

A equac
ao recursiva de Riccati para atualizac
ao da medida e dada em (2.7) e pode ser
reescrita para o caso unidimensional como
1/2
/2
Pi|i = Pi|i1 (I re1 (i)ai ai )Pi|i1
(2.11)
sendo,
/2
ai = Pi|i1 hi e re (i) = r(i) + ai ai .

Potter notou que se pode fatorar
I re1 (i)ai ai = (I (i)ai ai )(I (i)ai ai )
(2.12)
escolhendo (i) tal que

re1 = 2(i) + 2 (i)(ai ai ).
(2.13)
Isto resulta na seguinte f

ormula de atualizac
ao
1/2
1/2
Pi|i = Pi|i1 (I (i)ai ai ).
(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))
Potter escolheu a resposta com o sinal de + e finalmente obteve a seguinte equac

ao
recursiva para a atualizac
ao da covari
ancia do erro
1/2
Pi|i
1/2
Pi|i1
"
Ip
ai ai
p
p
.
re (i)( re (i) r(i))
(2.16)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
Desta forma foi elaborada a primeira equac

ao recursiva a propagar o fator raiz
ao de algoritmos array em filtragem de sistemas.
quadrada de Pi e o incio da utilizac
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)
Considerando que em um tempo particular i, o valor de Pi|i1 e t

ao grande que em
precis
ao finita vale a seguinte aproximac
ao 1 + Pi|i1
= Pi|i1 . Assumindo que o termo
(2.17) seja implementado como
Pi|i = Pi|i1 Pi|i1
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,
primeiramente define-se um pre-array que e triangularizado para se obter a resposta

do problema na matriz resultante desta triangularizac
ao
p
1
Pi|i1
.
A= p
0
Pi|i1
BIBLIOGRAFICA
CAPITULO 2. REVISAO
Atraves de rotac
oes de Givens
10
obtem-se a seguinte matriz
= 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)
Pode-se mostrar que a entrada (2, 2) da matriz `

a direita da igualdade da Equac
ao
p
(2.20) e igual a Pi|i , usando raciocnio an
alogo ao da Sec
ao 2.3.2. Portanto este
metodo de implementac
ao leva a Pi|i = 1, que e o valor correto.
Outra maneira de se verificar a maior robustez numerica do uso de array e observar

o n
umero de condic
ao da matriz P , K(P ) HOUSEHOLDER (1964), definido como
K(P ) = 1 /n ,
(2.21)
sendo 1 o maior valor singular de P e n e o menor valor singular de P . Este n

umero
de condic
ao e usado geralmente para analisar o efeito de perturbac
oes em equac
oes
lineares, e e relevante para analisar operac
oes numericas em operac
oes com a matriz
de covari
ancia. Um exemplo dado em KAMINSKI et al. (1971) mostra que usando
aritmetica de base 10 com p dgitos significativos e as dificuldades numericas surgem
quando K(P ) se aproxima de valores pr
oximos a 10p . A vantagem do uso de fator raiz
quadrada aparece quando se relaciona K(P ) com K(P 1/2 )
K(P ) = K(P 1/2 P /2 ) = [K(P 1/2 )]2 .
(2.22)
Pode-se concluir que o n

umero de condic
ao de P 1/2 e a raz quadrada de K(P ). Entao,
para operac
oes numericas relacionadas a P que resultam em erros numericos quando
1
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
K(P ) = 10p , com o algoritmo array esses problemas aparecer

ao para K(P ) = 102p .
2.3
Exemplos de Array
Antes de apresentar algoritmo array para sistemas singulares, nesta sec

ao h
a um
breve resumo do uso de array para o filtro de Kalman no espaco de estados baseados
nas equac
oes da Sec
ao 2.1.
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)
Pode-se fatorar a express

ao para chegar a
h
ih
i
1/2
1/2
1/2
1/2
Pi+1|i = Fi Pi|i
.
Gi Qi
Fi Pi|i
Gi Qi
Esta express
ao fornece uma fatorac
ao para Pi+1 , porem as dimens
oes de
h
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)
sendo que 0nm representa uma matriz de elementos zero de tamanho n m e X

representa uma matriz de dimens
ao apropriada. Determinando , ent
ao pode-se ter
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)
Isto resolve o problema assim que se determina uma transformac

ao apropriada.
Para encontrar tais transformac
oes unit
arias pode-se usar rotac
oes de Givens ou
reflex
oes de Householder, descritas nos Apendices B.1 e B.2.
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)
como pre-array, e triangulariza-se atraves de uma transformac

ao unit
aria
1/2
1/2
Ri
Hi Pi|i1
X 0
1/2
0
Pi|i1
Y Z
(2.27)
BIBLIOGRAFICA
CAPITULO 2. REVISAO
13
denominada post-array, cujas entradas podem ser visualizadas elevando ao quadrado

ambos os lados
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
Y X = Pi|i1 Pi|i1 Hi = Pi|i1 Hi ,
(2.29)
ZZ = Pi|i1 Pi|i1 Y Y
= Pi|i1 Pi|i1 Hi (X X 1 )Hi Pi|i1
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
Sistemas singulares (tambem conhecidos como sistemas descritores ou implcitos)

tem recebido destaque na literatura devido a freq
uencia com que aparecem em problemas de modelagem de sistemas econ
omicos LUENBERGER (1977), modelagem de
imagem HASSAN & SADJANI (1995), rob
otica MILLS & GOLDENBERG (1989) e
outros. A representac
ao de um sistema discreto pode ser representada por

f xi+1 , xi , ui , i
= 0,

g xi , ui , yi , i
= 0,
(2.31)
(2.32)
sendo xi o estado do sistema composto de vari

aveis de estado, ui e a entrada de controle,
yi e a medida da sada, f e g s
ao func
oes vetoriais de xi+1 , xi , ui e i com dimensoes
BIBLIOGRAFICA
CAPITULO 2. REVISAO
14
apropriadas. Um caso especial de (2.31) e (2.32) ocorre quando

Ei xi+1 = 1 xi , ui , i ,

yi = 2 xi , ui , i ,
(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)
sendo xi Rn , ui Rm , yi Rr . Ei , Fi Rnn , Gi Rnm e Hi Rnr matrizes constantes. Quando Ei e n

ao singular, o sistema recai no espaco de estados convencional,
da a outra denominac
ao para ele: sistema generalizado, sendo o espaco de estados um
caso particular quando Ei = I. Note que h
a casos onde Ei , Fi s
ao intrinsicamente
retangulares HASSAN & SADJANI (1995) e portanto uma an
alise usando equacoes
no espaco de estados usuais n
ao e possvel. Os sistemas singulares foram mencionados
pela primeira vez na literatura em 1973 SINGH & LIU (1973). Em muitas publicacoes
os sistemas singulares s
ao chamados tambem de semi-estados, sistemas degenerados e
sistemas algebrico-diferenciais, por envolverem equac
oes algebricas e equac
oes diferenciais. Para um caso de sistemas discretos onde Gi = I, tem-se a formulac
ao dada pelas
equac
oes (2.37)-(2.38) onde consideram-se rudos de sistema e de medic
ao
Ei xi+1 = Fi xi + ui ,
(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
sendo as matrizes {Ei , Fi , Gi , Hi , 0 , Qi , Si , Ri } conhecidas e os valores Qi e Ri s

ao as
autocovari
ancias de ui e vi respectivamente e Si e covari
ancia cruzada entre os rudos.
Ent
ao a estimativa filtrada para xi , x
i = x
i|i (sendo conhecida a sada do sistema,
{y0 , . . . , yi }), em conjunto com a matriz covari
ancia do erro Pi|i , podem ser calculadas
recursivamente atraves das equac
oes ISHIHARA et al. (2004b)
1
)1 E + H R1 H ,
Pi|i
= Ei (Qi1 + Fi1 Pi1|i1 Fi1
i
i
i i
)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)
Filtro Singular Robusto
Quando o sistema singular est

a sujeito a incertezas parametricas na forma
(Ei+1 + Ei+1 )xi+1 = (Fi + Fi )xi + wi ,
yi = (Hi + Hi )xi + vi ,
i = 0, 1, ...
(2.42)
oes nas matrizes nominais do sistema, vari

aveis no
sendo Ei+1 , Fi e Hi perturbac
tempo e definidas como
Fi = Mf,i i Nf,i ,
(2.43)
Ei+1 = Mf,i i Ne,i+1 ,
(2.44)
Hi = Mh,i i Nh,i ,
(2.45)
ki k 1,
(2.46)
Mf,i , Mh,i , Ne,i+1 , Nf,i , Nh,i matrizes conhecidas e i uma contrac

ao, utilizam-se
filtros robustos para a filtragem deste tipo de sistema singular. Neste trabalho ser
ao
considerados os filtros desenvolvidos em ISHIHARA et al. (2004), ISHIHARA et al.
(2004b) e CAMPOS (2004) descritos a seguir. A vers
ao robusta do filtro e dada pelo
seguinte teorema
Teorema 2.4.1 Suponha que
i
E
tem posto coluna pleno para todo i 0. A
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)
P asso 3: Atualize {Pi|i , x

i|i } para {Pi+1|i+1 , x
i+1|i+1 } do seguinte modo
Pi+1|i+1 :=
+
(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
i Nf,i Pi|i N )1 Ne,i+1 )
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)
P asso 3: Atualize {Pi|i1 , x

i|i1 } para {Pi+1|i , x
i+1|i } do seguinte modo:
bi + Fbi Pi|i1 Fb Fbi Pi|i1 H

b (R
bi + H
b i Pi|i1 H
b )1 H
bi Pi|i1 Fb )1 Eb ,
Pi+1|i
= Ebi+1
(Q
i
i
i
i
i+1
(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
Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 (Yi Hi x

i|i1 ),
(2.68)
sendo
Yi :=
yi
0
(2.69)
As provas de ambos os teoremas podem ser encontradas em CAMPOS (2004).

Um dos objetivos deste trabalho e o desenvolvimento de algoritmos array para filtros
singulares nominais e robustos.
Captulo 3
Filtragem de Sistemas Singulares

Neste captulo ser
ao deduzidos filtros de informac
ao, nominais e robustos, para
sistemas singulares discretos no tempo. Tambem ser
ao apresentados os respectivos
algoritmos array para as vers
oes de informac
ao. Ser
ao consideradas as express
oes
para as estimativas filtradas e preditoras. Para o problema de filtragem, o objetivo e
ao de uma
deduzir a express
ao para a estimativa
otima x
i|i em conjunto com a soluc
equac
ao recursiva de Riccati Pi|i , sendo que a estimativa linear
otima x
i|i e calculada
levando-se em considerac
ao as medidas de y0 ate yi . Para o problema de predic
ao, o
objetivo e deduzir x
i+1|i em conjunto com Pi+1|i , sendo que x
i+1|i e calculada levandose em considerac
ao as medidas de y0 ate yi . A vers
ao de informac
ao pressup
oe que se
1
1
1
1
deseja estimar Pi|i
x
i|i calculando Pi|i
, para o filtro, e Pi+1|i
x
i+1|i calculando Pi+1|i
,
para o preditor. Portanto, neste captulo ser

ao deduzidos os filtros de informac
ao e os
respectivos algoritmos array para as vers
oes nominais filtrada e preditora bem como
as vers
oes robustas filtrada e preditora. Os algoritmos array ser
ao deduzidos baseados
no Lema C.1.1 do Apendice B. Os resultados apresentados neste captulo fazem parte
das contribuic
oes originais deste trabalho.
3.1
Estimativa Filtrada Nominal
1
Filtros expressos na forma de informac
ao propagam o valor Pi|i
ao inves do valor
Pi|i . A vantagem do filtro de informac

ao e que se pode ter um algoritmo numericamente
mais robusto quando se tem pouca ou nenhuma informac
ao da condic
ao inicial x0 , que
corresponde a P0 muito grande ou infinita enquanto P01 e pequena ou nula.
19
CAPITULO 3. FILTRAGEM DE SISTEMAS SINGULARES
20
Teorema 3.1.1 Dadas as seguintes condico

es iniciais
1
P0|0
= P01 + H0 R01 H0
1
P0|0
x
0|0 = H0 R01 y0
(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)
e o correspondente algoritmo array e dado por
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 .
Prova: Considera-se a Equacao de Riccati (2.40)

1
)1 E + H R1 H .
Pi|i
i
i
i i
(3.5)
Para se deduzir o filtro de informac

ao aplica-se o lema da invers
ao de matrizes (A.2)
em (2.40)
para se obter
Pi|i
)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)
e aplicando-se o lema da invers

ao de matrizes novamente em (3.8), obtem-se
1
1
1
1
1
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
deduzir o algoritmo array para essa Equac

ao Algebrica de Riccati, deve-se notar atraves
1
pode ser escrita como o complemento de Schur
da u
ltima igualdade de (3.7) que Pi|i
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
Como se procura uma express

ao do tipo AA = BB para que o Lema C.1.1 seja
aplicado, fatora-se (3.12) de modo a obter
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)
Esta e uma decomposic

ao auxiliar para se definir o pre-array. Para se definir o postarray, fatora-se (3.12) atraves da seguinte decomposic
ao, definida em detalhes no
Apendice A
A B
C D
0
CA1 I
I A1 B
0
I
A
0
A B
(3.14)
. Usando tal propriedade, pode-se

sendo A o complemento de Schur de A em
C D
escrever (3.12) como
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)
Portanto este e o algoritmo array para a equac

ao recursiva da Riccati (2.40). Perceba
que n
ao h
a nenhuma perda de generalidade em virtude da inclus
ao de uma coluna de
zeros em (3.17).
3.2
Estimativa Preditora Nominal
Nesta sec
ao ser
a deduzido um filtro de informac
ao na vers
ao preditora com o correspondente algoritmo array.
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 ),
e o correspondente algoritmo array para a soluca

o da Equaca
o de Riccati e dado por
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
Ei+1
.
(3.23)
Pode-se reescrever (3.23) como

1
1
Qi + Fi Pi|i1 Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi Pi|i1 Fi

Ei+1
.
Pi+1|i = Ei+1
(3.24)
Aplicando o lema da invers

ao de matrizes duas vezes, tem-se
1
Pi+1|i

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
Ei+1 Qi Ei+1 Ei+1 Qi Fi Pi|i1 + Hi Ri Hi + Fi Qi Fi

Fi Qi Ei+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
Fi x
i|i1 + Pi+1|i Ei+1
1

1
Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 (yi Hi x

i|i1 ),
(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
Colocando em evidencia o primeiro termo e tambem x

bi|i , obtem-se
1
(Q + F (P 1 + H R1 H )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i
i i
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
xi|i1 + Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 yi ).

((Fi Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 Hi )b
(3.30)
Pode-se tambem escrever da seguinte forma
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)
Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 yi )
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)
Fi Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 yi ).
Com o auxlio do lema da invers

ao de matrizes, obtem-se
1
(Q + F (P 1 + H R1 H )F )1
Pi+1|i
x
bi+1|i = Ei+1
i
i i|i1
i i
i i
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
Com a sequencia de operac

oes algebricas definida a seguir, obtem-se o filtro de informac
ao para a estimativa preditora
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
1
(Pi|i1
x
bi|i1 + (Pi|i1
+ Hi Ri1 Hi )Pi|i1 Hi (Ri + Hi Pi|i1 Hi )1 yi )
(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)
Para se deduzir o algoritmo array da Riccati de informac

ao, utiliza-se o fato de que
1
+ Hi Ri1 Hi + Fi Q1
Pi+1|i e o complemento de Schur de Pi|i1
i Fi em

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)
Pode-se fatorar a Equac

ao (3.39) em
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
e tambem podem-se usar uma decomposic

ao do complemento de schur, mostrada no
Apendice A, para fatorar a Equac
ao (3.39) novamente como
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)
Sendo assim pode-se dizer que existe unit

ario tal que
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
Estimativa Filtrada Robusta
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)
sendo Ei+1 , Fi e Hi perturbac

oes nas matrizes nominais do sistema, vari
aveis no
tempo e definidas em (2.46), e a respectiva forma algoritmica array, s
ao definidas de
acordo com o teorema a seguir.
Teorema 3.3.1 Dada as seguintes condico
es iniciais
1
P0|0
= P01 + H0 R01 H0
1
P0|0
x
0|0 = H0 R01 y0
(3.44)
28
a vers
ao de informaca
o para a estimativa robusta filtrada do sistema (3.43) com Ne,i+1
Nf,i =
0 (matrizes definidas em (2.46)), e dada por

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 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 ,
e o algoritmo array correspondente e definido da seguinte forma
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)
Nf,i = 0, e definida por

Prova: A equac
ao do filtro robusto, com Ne,i+1
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
h,i+1 h,i+1 + Ne,i+1 Ne,i+1 ].
(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)
Assim obtem-se o filtro de informac

ao para sistemas singulares com incertezas
1
(Q
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|i
(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
forma de Schur, denominando Ci= Nh,i+1

Nh,i+1 + Ne,i+1
Ne,i+1 , tem-se
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)
Pode-se fatorar a equac

ao acima como
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
Atraves do complemento de Schur e denominando Ai = Pi|i

+
i
f,i
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)
Portanto, o algoritmo array para o filtro de informac

ao robusto de sistemas singulares
com incertezas e definido como
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)
Estimativa Preditora Robusta
Para a estimativa preditora robusta do sistema singular (3.43) tem-se o seguinte

teorema
es iniciais
1
= P01
P0|1
(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 ),
e o correspondente algoritmo array para a equaca

o de Riccati e dado por
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
sendo estas matrizes definidas no Teorema 2.4.2.

Prova: S
ao utilizados os mesmos passos algebricos da prova do preditor nominal robusto.
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-
point Simulink toolbox.

i = 0, foram usadas as Equac
No caso nominal, onde
oes (3.7) e (3.18). A tabela 3.1
mostra o erro quadr
atico medio das implementac
oes de ponto fixo em relac
ao ao ponto
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
matriz, V Sf e o valor singular calculado usando ponto flutuante e i e o instante de

tempo.
Tipo
Nominal
(105 )
Robusto
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-
ros medios quadr

aticos para a implementac
ao robusta usando Equac
oes (3.45) e (3.46).
Usando a Tabela 3.1 ou a Figura 3.1, pode-se notar a vantagem do algoritmo array
1
em ambos os casos. Os valores singulares de Pi|i
, calculados via algoritmo array em
ponto fixo, est

ao pr
oximos dos valores singulares calculados via ponto flutuante. Ja a
equac
ao de informac
ao apresentou n
umeros distantes da referencia.
A raz
ao destes resultados e que a faixa din
amica dos valores calculados via algoritmo array est
a em func
ao das razes-quadradas dos n
umeros usados na equac
ao de
informac
ao. Assim os n
umeros em array se mantiveram em um intervalo seguro para
a implementac
ao em ponto fixo. Porem, no caso das equac
oes explcitas, ocorreram
alguns casos onde os resultados dos c
alculos n
ao foram bem representados pelos pontos
fixos, o que causou as deformac
oes nos resultados.
34
Primeiro Valor Singular

35
30
25
20
15
10
PontoFlutuante
PontoFixo(Informao)
PontoFixo(Array)
1
6
i
10
11
Segundo Valor Singular

6.5
5.5
4.5
PontoFlutuante
PontoFixo(Informao)
PontoFixo(Array)
3.5
6
i
10
11
Terceiro Valor Singular

5
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
Algoritmo Array para Sistemas

Markovianos
V
arios sistemas din
amicos s
ao vulner
aveis a mudancas abruptas em suas estruturas devido principalmente a falhas em componentes, conex
oes e mudancas no ambiente. Problemas de estimativa e controle desta categoria de sistemas, tem sido tratados
por v
arios autores, veja JI & CHIZECK (1990b), JI & CHIZECK (1990), COSTA &
FRAGOSO (1995), FRAGOSO & BACZYNSKI (2001), COSTA & do Val (2002), COSTA
& JIMENEZ (2002), SWORDER & ROGERS (1983), ATHANS et al. (1977) e as referencias contidas nesses artigos.
Em COSTA (1994) e deduzido um estimador de mnimos quadrados para sistemas
lineares discretos sujeitos a saltos Markovianos, que modelam mudancas abruptas na
assumido que estas mudancas podem ser
din
amica do sistema, para o sistema (4.1). E
modeladas por uma cadeia de Markov no espaco de estados (i) {1, . . . , N }. Por
simplicidade, chama-se neste texto tal filtro de filtro Markoviano.
Neste captulo e deduzido um algoritmo array para o filtro Markoviano de COSTA
(1994). O texto a seguir descreve tal filtro, formula o algoritmo array e apresenta um
exemplo numerico ilustrativo.
35
CAPITULO 4. ALGORITMO ARRAY PARA SISTEMAS MARKOVIANOS
4.1
36
Filtro Markoviano
Em um espaco de probabilidade (, F, P) onde e o espaco amostral (conjunto

de todos resultados ou sadas), F e o conjunto de eventos, e P e a func
ao que associa
probabilidades aos eventos, denota-se 1{} como o Dirac de medic
ao (para qualquer
U F e , 1{U } () = 1 se U, 0 caso contr
ario) e considera-se o seguinte
sistema discreto linear Markoviano
xi+1 = F(i) xi + G(i) ui ,
(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
que no caso N = 2 e escrita na forma
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
Figura 4.1: Cadeia de Markov com N = 2.

Para utilizar o filtro deduzido em COSTA (1994), deve-se fazer as seguintes definic
oes
zi,j := xi 1{(i)=j} ,
h
i
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 .
sendo o valor j (i), a probabilidade de no instante i, o estado Markoviano ser j, que

e calculado elevando a matriz de transic
ao de probabilidades da cadeia de Markov `
a
i-esima potencia.
j (i) = j (0)P i
(4.3)
38
A estimativa x
i|i e dada por
x
i|i =
N
X
zi,j|i
(4.4)
j=1
sendo que zi|i satisfaz a seguinte equac

ao de recurs
ao
zi|i = zi|i1 + Zi|i1 H (H Zi|i1 H + Di Di )1 (yi H zi|i1 ),
(4.5)
zi|i1 = F zi1|i1 ,
(4.6)
com z0|1 = (0), (i) = E[zi ] = (1 , . . . , N ) . Temos que a equac

ao de Riccati e dada
por
Zi|i1 = Zi Zi|i1 , Zi|i = Zi Zi|i ,
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)
Zi|i = Zi|i1 + Zi|i1 H (HZi|i1 H + Di Di )1 HZi|i1 ,
(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
Passo 1: Calcular as condico

es iniciais Z0,j = Vj
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
priadas (ver mais detalhes nos Apendices C.3 e B.3):

h
i
i
h
1/2
1/2
=
F Zi1|i1 J1
Zi|i1 0 ,
Zi
(4.13)
sendo que Zi e dada por
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
Prova: Tem-se que para a equac

ao de Riccati da atualizac
ao da medida definida
em (4.10), pode-se usar o lema da invers
ao de matrizes
1
(HZi|i1 H + Di Di )1 = (Di Di )1 (Di Di )1 H(Zi|i1
+ H (Di Di )1 H)1 H (Di Di )1 .
(4.19)
A equac
ao Zi|i fica sendo
Zi|i = Zi|i1 + Zi|i1 H (Di Di )1 HZi|i1
1
+ H (Di Di )1 H)1 H (Di Di )1 HZi|i1 ,
(4.20)
escrevendo Zi|i como complemento de Schur do termo (2, 2) da matriz
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)
:=(Di Di )1/2 , pode-se fatorar a matriz acima como
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)
e usando as propriedades do complemento de Schur pode-se fatorar tambem como
1
(Zi|i1
+ H (Di Di )1 H)1/2
1/2
1
1
1/2
Zi|i1 H (Di Di ) H(Zi|i1 + H (Di Di ) H)

Zi|i
1
(Zi|i1
+ H (Di Di )1 H)1/2
0
1/2
1
+ H (Di Di )1 H)1/2 Zi|i
(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
+ H (Di Di )1 H)1/2 Zi|i
(4.24)
Para calcular Zi|i na Equac

ao (4.7) e necess
ario calcular Zi . Deve-se notar que se
41
pode escrever Zi|i como diag(Zi,k )
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)
sendo que Zi e dada por
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 =
J = (I I) (matriz cuja diagonal e formada
por I e I) tem dimens

oes apropriadas para que a identidade negativa I multiplique
1/2
1/2
somente os termos de Zi1|i1 . Usando o lema C.1.1, Zi,j pode ser calculada usando
uma matriz unit

aria z tal que
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)
possvel calcular Zi|i1 em (4.7) usando uma transformac

ao J-unit
aria origin
aria da
E
seguinte express
ao
h
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)
Portanto, o algoritmo array para o c

alculo de Zi|i1 , utilizando uma transformac
ao
J-unit
aria J2 , e dado por
h
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
Matriz de probablidade de transic

ao:
.9 .1
.
P =
.1 .9
Foram calculados os valores singulares de Zi1|i para tres diferentes implementacoes

assim como no caso robusto: ponto-flutuante, ponto-fixo implementac
ao por equac
oes
explcitas e por algoritmos array. Nestes exemplos tambem foram utilizados arquitetura
de ponto-fixo com 16-bits onde o primeiro bit determinou o sinal do n
umero (+ ou )
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
point Simulink toolbox.

Tipo
Markoviano
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
Tabela 4.1: Valores MSE para os valores singulares de Zi|i1

Usando a Tabela 4.1 ou a Figura 4.2, pode-se notar novamente a vantagem do
algoritmo array perante a implementac

ao por equac
oes explcitas. O calculo do MSE
N
2
i=1 (V Sfi, V Si, )
(mean-square error ) para um valor singular V S e dado por E =
N
onde define um dos quatro valores singulares calculados para cada simulac
ao, V Sf e
o valor singular calculado usando ponto flutuante e i e o instante de tempo.
Em alguns c
alculos, o ponto fixo n
ao conseguiu representar bem os n
umeros, ocasionando erros numericos. J
a na implementac
ao em array, por causa do n
umero de
condic
ao das matrizes ser menor e por causa da menor faixa din
amica dos n
umeros, o
c
alculo efetuado atraves do ponto fixo foi satisfat
orio.
Primeiro Valor Singular
44
Segundo Valor Singular
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
Terceiro Valor Singular
10
15
i
20
25
30
Quarto Valor Singular
18
16
5
14
12
10
3
8
PontoFlutuante
PontoFixo
PontoFixo(Array)
10
15
i
20
25
30
PontoFlutuante
PontoFixo
PontoFixo(Array)
0
10
Figura 4.2: Valores Singulares de Zi|i1 .
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
os produtos matriciais {Fi Pi
1/2
, Hi Pi
} usados em algoritmos array e tambem e facil-
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
CAPITULO 5. ALGORITMO DE PAIGE
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)
Normalmente busca-se definir estimativas n

ao polarizadas, portanto
E[
xi|j ] = 0.
(5.6)
No algoritmo de Paige tambem s

ao utilizados fatores raiz quadrada nos c
alculos do
filtro
1/2
/2
Pi|i1 = Pi|i1 Pi|i1 .
(5.7)
Assume-se que x0 tem as seguintes caractersticas

x0 com E[x0 ] = 0, E[(x0 x
0 )(x0 x
0 ) ] = 0
(5.8)
47
sendo que a media e a covari

ancia s
ao conhecidas. Na abordagem definida em Paige,
e utilizado o argumento de que o uso de matrizes de covari
ancia apenas, ou o uso
de inversas de matrizes de covari
ancia apenas, e desnecessariamente restritiva. Para
isto, Paige usa duas representac
oes para descrever a estrutura de covari
ancia do vetor
de estados xi , uma baseada no filtro de covari
ancia e outra baseada na inversa da
covari
ancia, que ser
ao descritas a seguir.
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)
ou seja, x tem media E[x] = x

e vari
ancia E[xx ] = N N . Para isto define-se u com
E[u] = 0 e E[uu ] = I. Ainda pode-se representar um vetor aleat

orio x qualquer como
Ux = b + u
(5.10)
sendo que as informac

oes de media e vari
ancia s
ao estabelecidas de maneira implcita.
ao equivalentes porem, (5.9) permite que a combinac
ao linear
Quando N = U 1 elas s
dos elementos de x seja constante (conhecidos a priori) fazendo com que N n
ao tenha
posto linha pleno, enquanto (5.10) permite a possibilidade, quando U n
ao tem posto
coluna pleno, de que n
ao se tenha nenhuma informac
ao sobre a parte de x que est
a no
espaco nulo de U .
As duas representac
oes s
ao matematicamente distintas, exceto quando N e U s
ao
quadradas e n
ao singulares. A primeira representac
ao e origin
aria do filtro de covari
ancia, enquanto que a segunda e origin
aria do filtro de informac
ao. Define-se uma
estrutura de representac
ao do vetor utilizando-se as definic
oes dos filtros de covari
ancia
48
e de informac
ao juntas
U x = b + N u,
sendo que E[u] = 0,
(5.11)
ao (5.11) pode ser usada

E[uu ] = I. A estrutura da Equac
para representar condic

oes iniciais em filtragem de covari
ancia, filtragem de covari
ancia
inversa e qualquer combinac
ao possvel de ambas. Com algumas pequenas mudancas
para facilitar seu uso mais adiante, a condic
ao inicial pode ser expressa como
b0 = U
0 x0 + N
0 u
0 .
(5.12)
oes diferentes em filtros de coOs vetores de rudos wi e vi tambem tem representac

vari
ancia e em filtragem de informac
ao PAIGE (1985). De maneira geral, considerandose as combinac
oes entre essas representac
oes, pode-se escrever
vi

Ril 0
vi
Rir o
v
=
i,
Sil Qli
wi
Sir Qri
w
i
(5.13)
ao rudos normalizados com media nula e vari

ancia unit
aria, l e r s
ao
sendo que s
w
i
ndices que representam esquerda e direita, respectivamente. Diferentes representacoes
de (5.13) levam a algoritmos de filtragem diferentes. Assim, mais adiante, ser
a apresentado um algoritmo para um tipo de representac
ao da estrutura (5.13). Um modelo
din
amico discreto em uma janela de tempo i = 1, . . . , N pode ser formulado levando
em considerac
ao (5.1), (5.2) e (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
Pode-se expressar (5.14) de maneira compacta como
y = Ax + Lu, sendo E[u] = 0 e E[uu ] = I.
(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)
e e mostrado como resolve-lo de maneira est

avel. Como (5.12) tem a forma de (5.15),
a estimativa x
0 para x0 e soluc
ao de
0 x0 + N
0 u
min u
0 u
0 sujeito a b0 = U
0 ,
x0 ,
u0
(5.17)
50
0 tem posto linha pleno

se U
0 x
U
0 = b0 .
(5.18)
Em PAIGE (1985) s
ao apresentadas outras alternativas para resolver o sistema (5.15).
5.2
O Algoritmo de Paige
O modelo (5.15) com estrutura (5.14), apresenta mais informac

oes que as necess
arias
para a definic
ao da estimativa filtrada. Ser
a apresentado nesta sec
ao um algoritmo para
um algoritmo para o modelo com todas
apenas algumas das especializac
oes de (5.14). E
condic
oes iniciais de (5.12), mas com apenas os fatores da matriz de covari
ancia dos
rudos vi e wi fornecidos. Isto equivale a fazer Ril = I, Sil = 0 e Qli = I em (5.14) e
ent
ao estas matrizes unit
arias podem ser eliminadas atraves de combinac
oes lineares
chegando a um modelo redefinido abaixo, deduzido em PAIGE (1985).
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)
sendo que por simplicidade foram feitas as seguintes mudancas de notac

ao
1/2
1/2
vi vi , w
i wi , Rir Ri , Gi Sir Si , Gi Qri Qi .
(5.21)
51
O Teorema 5.2.1 apresenta a vers

ao modificada do algoritmo de filtragem definido
por Paige que calcula a estimativa filtrada do estado. Para que se possa acompanhar
melhor o teorema e a respectiva prova, a Equac
ao (5.19) e reescrita em (5.22) de maneira
explcita

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)
2. Achar uma matriz unit

aria Pi que triangularize
i 0
X11 X12
N
X21 X22 Pi = R
R
i
i
Si Si
0
S0
(5.26)
i posto coluna pleno, calcular

sendo N
1 ri ,
vi = N
i
(5.27)
bi = bi R
i vi ,
(5.28)
di = di Si vi ,
(5.29)
(5.30)
3. Definir uma transformaca

o ortogonal Ti tal que triangularize
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
4. Encontrar uma transformaca

o Pi tal que triangularize
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)
e retornar ao passo 1 para calcular as estimativas da pr

oxima iteraca
o.
Prova: Para o instante i = 0, a transformac
ao para o primeiro passo de medida usando
as matrizes T0 e P0 deve ter a forma
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)
0 tem posto linha pleno e N

0 tem posto coluna pleno. T0 pode ser uma
sendo que U
matriz ortogonal ou o produto de matrizes de eliminac
ao qualquer. J
a P0 deve ser
somente ortogonal, de forma a manter a igualdade do sistema aplicando T0 a y e P0 ao
rudo
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
linhas do modelo transformado s

ao definidas como (note que P0 P0 = I)

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)
0 posto coluna pleno. Calculado v0 , pode-se elimin

a-lo se forem definidos
sendo N
b0 = b0 R
0 v0 , d0 = d0 S0 v0 .
(5.41)
Tem-se o seguinte modelo com a linha de v0 descartada

b0
0 0
0
U
x0
R
0
u
+
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)
pois isolando x0 na primeira linha

b0 = U
0 x0 + R
0u
0
1b0 U
1 R
0u
x0 = U
0
0
0
(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
que inclui a primeira medida. Com (5.43) a matriz de covari

ancia do erro e representada
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
coluna de (5.50) e resolver o problema resultante que e similar ao problema (5.22), e

ent
ao o processo pode ser continuado da mesma maneira com valores atualizados do
tempo. A condica
o inicial para x1 e dada por
b1 = U
1 x1 + N
1 u
1 .
(5.51)
Salienta-se aqui que a estimativa filtrada n

ao estava explicitamente definida nos
textos originais, mesmo para a filtragem no espaco de estados. A estimativa filtrada
foi definida a partir da deduc
ao do algoritmo apresentado no Teorema 5.2.1, para
sistemas singulares, sendo portanto mais uma contribuicao dos estudos de algoritmos
apresentados nesse trabalho para a estimativa de sistemas singulares.
5.3
Implementac
ao
Para exemplificar o uso da estimativa de sistemas singulares s

ao apresentadas as
Figuras 5.1(a) e 5.1(b) que mostram as estimativas filtradas e os respectivos valores singulares da matriz P , calculados atraves das equac
oes nominais do filtro de Kalman para
sistemas singulares definidas em (2.40)-(2.41) e do algoritmo apresentado no Teorema
5.2.1 para o sistema
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
arredondamento das multiplicac

oes Fi1
i1 ou Hi Ri
estimativa nominal filtrada nominal.
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
for Linear Minimum Mean Square Error Estimator of Discrete-Time Markovian

Jump Systems. International Journal of Control, 75:712727.
DAI (1989) DAI, L. (1989). Filtering and LQG Problems for Discrete-Time Stochastic
Singular Systems. IEEE Trans. Automat. Contr., 34(10):11051108.
FRAGOSO & BACZYNSKI (2001) FRAGOSO, M. & BACZYNSKI, J. (2001). Optimal
Control for Continuous Time LQ Problems with infinite Markov Jump Parameters.
SIAM Journal on Control and Optimization, 40(1):270 297.
GERDIN (2004) GERDIN, M. (2004). Parameter Estimation in Linear Descriptor Systems.
Tese de Doutoramento, Link
oping University.
HASSAN & SADJANI (1995) HASSAN, M. A. & SADJANI, M. R. A. (1995). Noncasual
imagem modeling using. IEEE Trans. Circuits Syst. II, 42(8):536540.
HOUSEHOLDER (1964) HOUSEHOLDER, A. (1964). The theory of Matrices in Numerical Analysis, chapter 5. Waltham.
ISHIHARA & TERRA (2001) ISHIHARA, J. Y. & TERRA, M. H. (2001). Impulsive Controllability and Observability of Rectangular Descriptor Systems. IEEE Trans.
Automat. Contr., 46(6):991994.
ISHIHARA & TERRA (2002) ISHIHARA, J. Y. & TERRA, M. H. (2002). On the Lyapunov Theorem for Singular Systems.
IEEE Trans. on Automatic Control,
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.
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-
strained least squares approach to the general Gauss-Markov linear model. J.

Amer. Statist. Assoc., 76(375):620625.
LUENBERGER (1977) LUENBERGER, D. V. (1977). Dynamic equations in descriptor
systems. IEEE Trans. Automat. Control, 22(3):312321.
MAYBECK (1979) MAYBECK, P. (1979). Stochastic Models, Estimation and Control, volume 1. Academic Press, New York.
MILLS & GOLDENBERG (1989) MILLS, J. K. & GOLDENBERG, A. A. (1989). Force
and position control of manipulators during constrained motion tasks. IEEE Trans.
Robot. Automat., 68:3046.
PAIGE (1985) PAIGE, C. (1985). Covariance Matrix Representation in Linear Filtering.
In Proc. 1985 Joint Summer Research Conference on Linear Algebra and its Role
in System Theory.
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
Considere o bloco de matrizes M
A B
M =
C D
(A.1)
e a seguinte matriz multiplicada `

a esquerda de M
X I
A B
A B
C D
XA + C XB + D
(A.2)
Para X = CA1 tem-se
CA1
A B
I
C D
0 A
0
(A.3)
sendo A , DCA1 B denominado complemento de Schur de A em M . Similarmente

pode-se obter
A B
C D
A1 B
I
63
.
C A
(A.4)

APENDICE
A. RESULTADOS MATRICIAIS IMPORTANTES
64
Estes resultados podem ser combinados para diagonalizar M em blocos
CA1
A B
C D
A1 B
(A.5)
e utilizando a seguinte propriedade de invertibilidade
CA1
(A.6)
pode-se achar a fatorac

ao
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
de determinar . Por causa da ortogonalidade de e de (B.1) segue que xT xT =

xxT = kxk2 . Ent
ao deve-se ter = kxk. Ambos valores de s
ao possveis. Uma
maneira de calcular e atraves da reflex
ao de Householder. A express
ao ser
a derivada
geometricamente.
Considera-se Figura B.1. Assume-se que j
a foi determinado, busca-se transformar
x atraves de uma matriz unit
aria tal que o vetor resultante x seja alinhado com o
vetor base e0 . Esta transformac
ao deve manter a norma de x. O vetor alinhado com e0
fica sendo ent
ao e0 . O tri
angulo com os lados x e e0 e base g = x e0 e portanto
um tri
angulo is
osceles. Tem-se ent
ao que e0 = x g. Mas pode-se expressar g de uma
forma alternativa. Definindo-se uma reta perpendicular da origem de x ao vetor g, o
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)
sendo que se pode definir como

gT g
, I 2 T
gg
(B.4)
que e ortogonal como se deseja. Uma seq

uencia de transformac
oes Householder pode
ser usada para triangularizar uma matriz A m n. Para isto deve-se achar a primeira
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)
sendo que denota entradas cujos valores n

ao s
ao importantes para este procedimento.
Aplica-se ent
ao uma transformac
ao do tipo (1 1 ), sendo que 1 rotaciona a primeira
linha de A1 tal que ela caia em e0 sobre o espaco (n 1) dimensional, e assim repete-se
o processo.
B.2
Transformac
oes de Givens
Se a matriz a ser triangularizada j

a possui muitos zeros, o metodo de Householder
pode ser muito custoso. As rotac
oes de Givens podem ser uma boa alternativa quando
existem muitos zeros. Uma rotac
ao elementar de Givens , ortogonal de tamanho 2 2
h
i
transforma um vetor linha 1 2, x = a b , e rotaciona para lev
a-la ao vetor de base
h
i
e0 = 1 0 , ou seja, a rotac
ao faz a seguinte transformac
ao
h
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)
sendo que os sinais de mais ou de menos dependem do sinal considerado em (B.7).

As triangularizac
oes de matrizes podem ser feitas atraves de um produto de transformac
oes de Givens. Por exemplo, supondo que se queira zerar xj usando xi em
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
A qualquer, deve-se realizar uma serie de transformac

oes como em (B.9) para zerar os
elementos de interesse da matriz A linha a linha.
B.3
Rotac
olicas
Rotac
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
faca a seguinte transformac

ao
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)
Assim, pode-se distinguir distinguido dois casos

1. |a| > |b|: a express
ao para calcular a matriz de rotac
ao hiperb
olica que satisfaz (B.10) e dada por
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)
2. |b| > |a|: a express

ao para calcular a matriz de rotac
ao hiperb
olica que satisfaz (B.11) e dada por
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
Lema C.1.1 KAILATH et al. (2000) Dadas duas matrizes n m com n m A e B,

a igualdade AA = BB e v
alida se e apenas se existir uma matriz unit
aria m m
( = I = ) tal que A = B.
C.2
Filtro Robusto para Sistemas Singulares CAMPOS

(2004)
Lema C.2.1 Considere o seguinte problema de otimizaca

o
min max [kxk2Q + k(A + A)x (b + b)k2W ]
x
{A,b}
(C.1)
sendo A uma matriz de dados, b um vetor de medida que assume-se conhecido, x um

vetor desconhecido, Q = QT 0 e W = W T > 0 matrizes de ponderaca
o dadas,
{A, b} perturbaco
es modeladas por
h
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
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)
Para calcular as estimativas robustas preditoras

otimas, as seguintes definic
oes dei
vem ser aplicadas no Lema C.2.1 para o c
alculo de

APENDICE
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
Lema C.3.1 KAILATH et al. (2000) Sejam duas matrizes nm com n m A e B de

posto pleno, e seja J = (Ip Iq ) uma matriz onde p + q = m. A relaca
o AJA = BJB
permanece se e apenas se existir uma u

nica matriz J-unit
aria mm tal que A = B.

Algoritmos Array para Filtragem de Sistemas PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Algoritmos Array para Filtragem de Sistemas PDF

Загружено:

Авторское право:

Доступные форматы

Algoritmos Array para Filtragem de Sistemas

Antonio Carlos Padoan Junior

Dissertacao apresentada `a Escola de

Orientador: Prof. Dr. Marco Henrique Terra

Dedico esta dissertac

Agradeco a minha famlia, pelo suporte dado ao longo desta jornada.

Filtro de Kalman no Espaco de Estados . . . . . . . . . . . . . . . . . .

Filtro Singular Robusto . . . . . . . . . . . . . . . . . . . . . . .

3 Filtragem de Sistemas Singulares

Estimativa Filtrada Nominal . . . . . . . . . . . . . . . . . . . . . . . .

Estimativa Preditora Nominal . . . . . . . . . . . . . . . . . . . . . . . .

Estimativa Filtrada Robusta . . . . . . . . . . . . . . . . . . . . . . . .

Estimativa Preditora Robusta . . . . . . . . . . . . . . . . . . . . . . . .

4 Algoritmo Array para Sistemas Markovianos

A Resultados Matriciais Importantes

A.1 Complemento de Schur . . . . . . . . . . . . . . . . . . . . . . . . . . . .

A.2 Lema da Invers

C.2 Filtro Robusto para Sistemas Singulares CAMPOS (2004) . . . . . . . .

Diagrama de blocos exemplificando a utilizac

Cadeia de Markov com N = 2. . . . . . . . . . . . . . . . . . . . . . . .

Valores Singulares de Zi|i1 . . . . . . . . . . . . . . . . . . . . . . . . . .

(a) Estimativa dos estados e (b) valores singulares de Pi,i , calculados

Este texto est

Filtro de Kalman no Espa

Em 1960, R. E. Kalman publicou um artigo que descreve uma soluc

Figura 2.1: Diagrama de blocos exemplificando a utilizac

Equivalentemente, o estimador de estados x

Figura 2.2: Ciclo de atualizac

Uma forma de implementar equac

explicitamente calculada no computador e um fator raiz quadrada Pi

evita uma serie de problemas

computacionais causados por erros de arredondamento.

como uma matriz n n A tal que P = AA . Estas razes quadradas n

Sendo uma matriz unit

P /2 , (P 1/2 ) , P 1/2 , (P 1/2 )1 , P /2 , (P 1/2 ) .

Figura 2.3: Transformac

Hi , hi , um vetor coluna, Ri , r(i), Re,i , re (i), ambos escalares.

Pi|i = Pi|i1 (I re1 (i)ai ai )Pi|i1

ai = Pi|i1 hi e re (i) = r(i) + ai ai .

escolhendo (i) tal que

Isto resulta na seguinte f

Pi|i = Pi|i1 (I (i)ai ai ).

Potter escolheu a resposta com o sinal de + e finalmente obteve a seguinte equac

Desta forma foi elaborada a primeira equac

Considerando que em um tempo particular i, o valor de Pi|i1 e t

primeiramente define-se um pre-array que e triangularizado para se obter a resposta

obtem-se a seguinte matriz

Pode-se mostrar que a entrada (2, 2) da matriz `

Outra maneira de se verificar a maior robustez numerica do uso de array e observar

sendo 1 o maior valor singular de P e n e o menor valor singular de P . Este n

Pode-se concluir que o n

K(P ) = 10p , com o algoritmo array esses problemas aparecer

Antes de apresentar algoritmo array para sistemas singulares, nesta sec

Pode-se fatorar a express

sendo que 0nm representa uma matriz de elementos zero de tamanho n m e X

Isto resolve o problema assim que se determina uma transformac

como pre-array, e triangulariza-se atraves de uma transformac

denominada post-array, cujas entradas podem ser visualizadas elevando ao quadrado

Y X = Pi|i1 Pi|i1 Hi = Pi|i1 Hi ,

= Pi|i1 Pi|i1 Hi (X X 1 )Hi Pi|i1

Sistemas singulares (tambem conhecidos como sistemas descritores ou implcitos)

sendo xi o estado do sistema composto de vari

apropriadas. Um caso especial de (2.31) e (2.32) ocorre quando