Все выпуски

В работе рассматривается задача параметрической идентификации дискретных линейных стохастических систем, представленных уравнениями в пространстве состояний, с аддитивными и мультипликативными шумами. Предполагается, что уравнения состояния и измерения дискретной линейной стохастической системы зависят от неизвестного параметра, подлежащего идентификации.

Представлен новый подход к построению градиентных методов параметрической идентификации в классе дискретных линейных стохастических систем с аддитивными и мультиплика- тивными шумами, основанный на применении модифицированной взвешенной ортогонализации Грама – Шмидта (MWGS) и алгоритмов дискретной фильтрации информационного типа.

Основными теоретическими результатами данной работы являются: 1) новый критерий идентификации в терминах расширенного информационного LD-фильтра; 2) новый алгоритм вычисления значений производных по параметру неопределенности дискретной линейной стохастической системы в расширенном информационном LD-фильтре на основе прямой процедуры модифицированной взвешенной ортогонализации Грама – Шмидта; 3) новый метод вычисления градиента критерия идентификации на основе предложенного дифференцированного расширенного информационного LD-фильтра.

Преимуществом предложенного подхода является применение численно устойчивой к ошибкам машинного округления MWGS-ортогонализации, лежащей в основе разработанных методов и алгоритмов. Информационный LD-фильтр сохраняет симметричность и положительную определенность информационных матриц. Разработанные алгоритмы имеют блочно-матричную структуру, удобную для компьютерной реализации.

Все разработанные алгоритмы реализованы на языке MATLAB. Проведены серии численных экспериментов, результаты которых демонстрируют работоспособность предложенного подхода на примере решения задачи идентификации параметров математической модели сложной механической системы.

Полученные результаты могут быть использованы для построения методов параметрической идентификации математических моделей, представленных в пространстве состояний дискретными линейными стохастическими системами с аддитивными и мультипликативными шумами.

The paper considers the problem of parameter identification of discrete-time linear stochastic systems in the state space with additive and multiplicative noise. It is assumed that the state and measurements equations of a discrete-time linear stochastic system depend on an unknown parameter to be identified.

A new approach to the construction of gradient parameter identification methods in the class of discrete-time linear stochastic systems with additive and multiplicative noise is presented, based on the application of modified weighted Gram – Schmidt orthogonalization (MWGS) and the discrete-time information-type filtering algorithms.

The main theoretical results of this research include: 1) a new identification criterion in terms of an extended information filter; 2) a new algorithm for calculating derivatives with respect to an uncertainty parameter in a discrete-time linear stochastic system based on an extended information LD filter using the direct procedure of modified weighted Gram – Schmidt orthogonalization; and 3) a new method for calculating the gradient of identification criteria using a “differentiated” extended information LD filter.

The advantages of this approach are that it uses MWGS orthogonalization which is numerically stable against machine roundoff errors, and it forms the basis of all the developed methods and algorithms. The information LD-filter maintains the symmetry and positive definiteness of the information matrices. The algorithms have an array structure that is convenient for computer implementation.

All the developed algorithms were implemented in MATLAB. A series of numerical experiments were carried out. The results obtained demonstrated the operability of the proposed approach, using the example of solving the problem of parameter identification for a mathematical model of a complex mechanical system.

The results can be used to develop methods for identifying parameters in mathematical models that are represented in state space by discrete-time linear stochastic systems with additive and multiplicative noise.

В работе рассматривается задача оценивания состояния парных марковских моделей с гауссовыми шумами. Класс парных марковских моделей является обобщением класса классических скрытых марковских моделей. Ключевое отличие заключается в том, что марковским предполагается не скрытый процесс, а пара «состояние – наблюдение», что позволяет моделировать более сложные зависимости и, в частности, отказаться от требования марковости скрытого процесса. При этом для линейных гауссовских парных моделей сохраняется возможность применения методов калмановской фильтрации, что приводит к понятию парного фильтра Калмана.

Представлена новая модификация парного фильтра Калмана, основанная на применении модифицированной взвешенной ортогонализации Грама–Шмидта и LD-разложении ковариационных матриц. Основными результатами данной работы являются: новая LD-модификация парного фильтра Калмана (теорема 1); новый алгоритм LD-ПФК для оценки состояния парных марковских моделей на основе прямой процедуры модифицированной взвешенной ортогонализации Грама–Шмидта и LD-разложения ковариационных матриц (алгоритм 2); результаты сравнительного анализа вычислительных свойств алгоритмов парной фильтрации. Полученные теоретические результаты дополняют теорию парной фильтрации в классе линейных дискретных парных марковских моделей с гауссовыми шумами.

Разработанный алгоритм реализован на языке MATLAB. Проведены серии численных экспериментов, результаты которых демонстрируют его работоспособность и численные преимущества перед другими существующими модификациями парного фильтра Калмана.

Представленные результаты могут быть в дальнейшем использованы для построения новых методов параметрической идентификации парных марковских моделей.

The paper addresses the state estimation problem for pairwise Markov models with Gaussian noises. The class of pairwise Markov models generalizes the classical hidden Markov models. The key difference lies in the assumption that the Markov property holds not for the hidden process alone, but for the pair consisting of the state and the observation. This allows modeling more complex dependencies and, in particular, eliminates the requirement of Markovianity for the hidden process. For linear Gaussian pairwise models, Kalman filtering methods remain applicable, leading to the concept of the pairwise Kalman filter.

This work proposes a new modification of the pairwise Kalman filter based on the application of modified weighted Gram – Schmidt orthogonalization and the LD decomposition of covariance matrices. The main results are as follows: a novel LD modification of the pairwise Kalman filter (Theorem 1); a new LD-PKF algorithm for state estimation of pairwise Markov models, based on a direct procedure of modified weighted Gram–Schmidt orthogonalization and LD decomposition of covariance matrices (algorithm 2); results of comparative analysis on the numerical properties of pairwise discrete filtering algorithms.

The obtained theoretical results complement the theory of pairwise filtering in the class of linear discrete pairwise Markov models with Gaussian noises.

The developed algorithm is implemented in MATLAB. A series of numerical experiments are conducted, and the results demonstrate its effectiveness and numerical advantages over other existing modifications of the pairwise Kalman filter.

The presented results can be further used to develop new methods for parameter identification of pairwise Markov models.