Filtro de Kalman para Sistemas Singulares Rectangulares de Tiempo Discreto Lineales Considerando Causalidad
Autores: Zheng, Jinhui; Wen, Chenglin; Liu, Weifeng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Filtro de Kalman para Sistemas Singulares Rectangulares de Tiempo Discreto Lineales Considerando Causalidad
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Filtro de Kalman
Sistemas discretos singulares lineales rectangulares en tiempo discreto
Métodos de transformación equivalentes
Estimación de estado
Regularidad
Observabilidad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 50
Citaciones: Sin citaciones
Este documento propone un filtro de Kalman para sistemas singulares lineales rectangulares de tiempo discreto, donde la matriz singular en el sistema es una matriz rectangular sin rango de columna completo. Al utilizar dos métodos de transformación equivalentes restringidos diferentes y agregar la ecuación de medición a la ecuación de estado, el sistema se transforma en un sistema singular cuadrado que cumple con la regularidad y observabilidad. Durante este proceso, se tiene en cuenta la causalidad del sistema y se aplican múltiples transformaciones de matriz en consecuencia. Sobre la base de estas modificaciones, se obtienen resultados de estimación de estado utilizando el filtro de Kalman. Finalmente, se emplea un ejemplo numérico para demostrar la efectividad de nuestro enfoque.
Descripción
Este documento propone un filtro de Kalman para sistemas singulares lineales rectangulares de tiempo discreto, donde la matriz singular en el sistema es una matriz rectangular sin rango de columna completo. Al utilizar dos métodos de transformación equivalentes restringidos diferentes y agregar la ecuación de medición a la ecuación de estado, el sistema se transforma en un sistema singular cuadrado que cumple con la regularidad y observabilidad. Durante este proceso, se tiene en cuenta la causalidad del sistema y se aplican múltiples transformaciones de matriz en consecuencia. Sobre la base de estas modificaciones, se obtienen resultados de estimación de estado utilizando el filtro de Kalman. Finalmente, se emplea un ejemplo numérico para demostrar la efectividad de nuestro enfoque.