Matematické Fórum

Nevíte-li si rady s jakýmkoliv matematickým problémem, toto místo je pro vás jako dělané.

Nástěnka
22. 8. 2021 (L) Přecházíme zpět na doménu forum.matweb.cz!
04.11.2016 (Jel.) Čtete, prosím, před vložení dotazu, děkuji!
23.10.2013 (Jel.) Zkuste před zadáním dotazu použít některý z online-nástrojů, konzultovat použití můžete v sekci CAS.

Nejste přihlášen(a). Přihlásit

#1 17. 08. 2016 08:55

adam.beno
Zelenáč
Příspěvky: 1
Reputace:   
 

Odvodenie Kovariancnej matice sumu procesu pre Kalmanov filter.

Ahojte, pokusam sa odvodit kovariancnu maticu sumu procesu pre Kalmanov filter. Dynamicky system je popisany takto:
$x_{k+1} = \begin{bmatrix}1 & 0 & \Delta t & 0 & \frac{1}{2}\Delta t^2 & 0 \\ 0 & 1 & 0 & \Delta t & 0 & \frac{1}{2}\Delta t^2 \\ 0 & 0 & 1 & 0 & \Delta t & 0 \\ 0 & 0 & 0 & 1 & 0 & \Delta t \\ 0 & 0 & 0 & 0 & 1 & 0  \\ 0 & 0 & 0 & 0 & 0 & 1\end{bmatrix} \cdot \begin{bmatrix} x \\ y \\ \dot x \\ \dot y \\ \ddot x \\ \ddot y\end{bmatrix}_{k}$.
Obecne sa da kovariancna matica zapisat ako :
$Q = \begin{bmatrix}\sigma_{x}^2 & \sigma_{xy} & \sigma_{x \dot x} & \sigma_{x \dot y} & \sigma_{x \ddot x} & \sigma_{x \ddot y} \\ \sigma_{yx} & \sigma_{y}^2 & \sigma_{y \dot x} & \sigma_{y \dot y} & \sigma_{y \ddot x} & \sigma_{y \ddot y} \\ \sigma_{\dot x x} & \sigma_{\dot x y} & \sigma_{\dot x}^2 & \sigma_{\dot x \dot y} & \sigma_{\dot x \ddot x} & \sigma_{\dot x \ddot y} \\ \sigma_{\dot y x} & \sigma_{\dot y y} & \sigma_{\dot y \dot x} & \sigma_{\dot y}^2 & \sigma_{\dot y \ddot x} & \sigma_{\dot y \ddot y} \\ \sigma_{\ddot x x} & \sigma_{\ddot x y} & \sigma_{\ddot x \dot x} & \sigma_{\ddot x \dot y} & \sigma_{\ddot x}^2 & \sigma_{\ddot x \ddot y} \\ \sigma_{\ddot y x} & \sigma_{\ddot y y} & \sigma_{\ddot y \dot x} & \sigma_{\ddot y \dot y} & \sigma_{\ddot y \ddot x} & \sigma_{\ddot y}^2\end{bmatrix}$
kde na diagonale su rozptyli jednotlivych velicin a mimo ich kovariancie.
Je mi jasne ze kazdy prvok by sa dal spocitat podla vztahu
${\displaystyle \operatorname {cov} (X,Y)={\frac {1}{n}}\sum _{i=1}^{n}(x_{i}-E(X))(y_{i}-E(Y)).}$
no na jednej stranke kde sa venovali Kalmanovmu filtru som videl vztah
$Q = G\cdot G^T \cdot \sigma_a^2$ kde $ G = \begin{bmatrix}0.5dt^2 & 0.5dt^2 & dt & dt & 1.0 & 1.0\end{bmatrix}^T$
a $\sigma_a$ je sum procesu zrychlenia, a teda dostali ze
$Q=\left[\begin{matrix}0.25 \Delta t^{4} & 0.25 \Delta t^{4} & 0.5 \Delta t^{3} & 0.5 \Delta t^{3} & 0.5 \Delta t^{2} & 0.5 \Delta t^{2}\\0.25 \Delta t^{4} & 0.25 \Delta t^{4} & 0.5 \Delta t^{3} & 0.5 \Delta t^{3} & 0.5 \Delta t^{2} & 0.5 \Delta t^{2}\\0.5 \Delta t^{3} & 0.5 \Delta t^{3} & \Delta t^{2} & \Delta t^{2} & 1.0 \Delta t & 1.0 \Delta t\\0.5 \Delta t^{3} & 0.5 \Delta t^{3} & \Delta t^{2} & \Delta t^{2} & 1.0 \Delta t & 1.0 \Delta t\\0.5 \Delta t^{2} & 0.5 \Delta t^{2} & 1.0 \Delta t & 1.0 \Delta t & 1.0 & 1.0\\0.5 \Delta t^{2} & 0.5 \Delta t^{2} & 1.0 \Delta t & 1.0 \Delta t & 1.0 & 1.0\end{matrix}\right]$.
Nieje mi jasny myslienkovy pochod, alebo aj korektne odvodenie medzi vztahom kde Q je zapisane pomocou covariancii a vztahom kde Q je zapisane ako sucin G a rozptylu zrychlenia.
Je to len nejaky empiricky vztah alebo to vyplyva z nejakeho hlbsieho vhladu do problemu? Dakujem za pripadne odpovede.
Adam

Offline

 

Zápatí

Powered by PunBB
© Copyright 2002–2005 Rickard Andersson