estim

给出估计量增益，形成状态估计量

语法

est = estim(sys,L) est = estim(sys,L，传感器，已知)

描述

est = estim(sys,L)产生一个状态/输出估计器美国东部时间给定植物状态空间模型sys估计量增益l．所有输入w的sys假设是随机的(过程和/或测量噪声)，以及所有输出y测量。的估计量美国东部时间以状态空间形式返回(SS对象)。

对于连续时间的植物sys与方程

$\begin{array}{l} \dot{x} ＝一个 x + B w \\ y ＝ C x + D w \end{array}$

estim使用下面的方程式来产生一个工厂产量估计 $\overset{＾}{y}$ 一个州的估计 $\overset{＾}{x}$ 的估计值y（t) =C而且x（t),分别为:

$\begin{array}{l} \dot{\overset{＾}{x}} ＝一个 \overset{＾}{x} + l （ y - C \overset{＾}{x} ） \\ ［ \begin{matrix} \overset{＾}{y} \\ \overset{＾}{x} \end{matrix} ］＝［ \begin{matrix} C \\ 我 \end{matrix} ］ \overset{＾}{x} \end{array}$

对于离散时间的植物sys用下列公式:

$\begin{array}{l} x ［ n + 1 ］＝一个 x ［ n ］ + B w ［ n ］ \\ y ［ n ］＝ C x ［ n ］ + D w ［ n ］ \end{array}$

estim使用类似于连续时间的估计方程来生成工厂产量估计 $y ［ n | n - 1 ］$ 一个州的估计 $x ［ n | n - 1 ］$ 的估计值y［n),x［n),分别。这些估计是基于过去的测量，直到y［n - 1］．

est = estim(sys,L，传感器，已知)处理更一般的植物sys两种输入都是已知的(确定性的)u和随机输入w，和两个测量输出y和非测量输出z．

$\begin{array}{l} \dot{x} ＝一个 x + B_{1} w + B_{2} u \\ ［ \begin{matrix} z \\ y \end{matrix} ］＝［ \begin{matrix} C_{1} \\ C_{2} \end{matrix} ］ x + ［ \begin{matrix} D_{11} \\ D_{21} \end{matrix} ］ w + ［ \begin{matrix} D_{12} \\ D_{22} \end{matrix} ］ u \end{array}$

索引向量传感器而且已知的指定sys进行测量(y)，以及的输入sys已知的(u)．得到的估计量美国东部时间，用下面的方程发现，两者都用了u而且y产出和状态估计。

$\begin{array}{l} \dot{\overset{＾}{x}} ＝一个 \overset{＾}{x} + B_{2} u + l （ y - C_{2} \overset{＾}{x} - D_{22} u ） \\ ［ \begin{matrix} \overset{＾}{y} \\ \overset{＾}{x} \end{matrix} ］＝［ \begin{matrix} C_{2} \\ 我 \end{matrix} ］ \overset{＾}{x} + ［ \begin{matrix} D_{22} \\ 0 \end{matrix} ］ u \end{array}$

例子

考虑一个状态空间模型sys有七个输出和四个输入。假设你设计了一个卡尔曼增益矩阵l使用植物的输出4、7和1作为传感器测量，植物的输入1、4和3作为已知的(确定性)输入。然后你可以通过

传感器= [4,7,1];已知= [1,4,3];est = estim(sys,L，传感器，已知)

看函数卡尔曼直接卡尔曼估计量设计。

提示

你可以使用这些函数的地方(杆位)或卡尔曼(卡尔曼滤波)来设计一个足够的估计增益l．注意估计量极点(的特征值)A-LC)应该比植物动态(特征值一个)，以确保估算准确。

版本历史

R2006a之前介绍

另请参阅

卡尔曼|的地方|注册|kalmd|lqgreg|党卫军|党卫军(系统识别工具箱)|预测(系统识别工具箱)