Resumen

En las aplicaciones de filtrado Kalman, el modelo dinámico convencional que conecta la información de los estados de dos épocas consecutivas mediante una matriz de transición de estados suele estar predefinido y se supone invariable. Con el objetivo de mejorar la adaptabilidad y precisión del modelo dinámico, proponemos un algoritmo de filtrado de múltiples estados históricos. Se utiliza un modelo autorregresivo como modelo dinámico que posteriormente se combina con el modelo de observación para derivar las fórmulas óptimas del filtro recursivo de ventana en el sentido del principio del error cuadrático medio mínimo. Se analizan en detalle las correspondientes estadísticas de prueba de los residuos del sistema. A continuación, se construyen los estadísticos de prueba de los residuos regionales pronosticados en una ventana temporal para la prueba de sesgo del modelo con dos hipótesis, es decir, la hipótesis nula y la alternativa. Basándonos en los estadísticos de prueba de las innovaciones, desarrollamos un procedimiento de procesamiento del sesgo del modelo que incluye la detección del sesgo, la identificación de la localización y la corrección del estado. Por último, se calculan el sesgo mínimo detectable y la relación sesgo-ruido para evaluar la fiabilidad interna y externa del sistema global, respectivamente.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Filtrado Kalman; modelo dinámico; adaptabilidad; precisión; modelo autorregresivo; procesamiento de sesgos.
• Keywords:Kalman filtering; dynamic model; adaptability; accuracy; autoregressive model; bias processing