اصلاح و بهبود شناسایی سیستم ها با استفاده از فیلتر کالمن

روش های مختلفی برای شناسایی سیستم ها وجود دارد که هرکدام از آن ها محدودیتی ایجاد می کنند. تخمین گر LS در داده هایبدون نویز بسیار خوب عمل می کند اما با داده های نویزی شناسایی به شدت به ورودی وابسته می شود. همچنین تخمین گر RLS که برای تخمین online استفاده می شود برای مدل های متغیر با زمان خوب عمل نمی کند بنابراین برای اصلاح آن از فاکتور فراموشی استفاده می شود اما در این حالت هم مشاهده می شود ردیابی پارامتر متغیر با زمان به دلیل وجود نویز کمی ضعیف انجام می شود. در پایان برای شناسایی در حضور نویز مدل های متغیر با زمان از ابزار قوی kalman filter استفاده می شود و دیده می شود که ردیابی به خوبی انجام می پذیرد.

کلیدواژه ها:

شناسایی سیستم ها ، رگرسورهای متغیر با زمان ، شناسایی در حضور نویز ، فیلترکالمن