FILTRADO ESTOCASTICO
Un problema de considerable complejidad que es necesario resolver
en relación con la medida de diversos fenómenos
físicos, se presenta cuando se trata de determinar a
partir de un conjunto de medidas \( a_i \) , de una magnitud
x , el valor más significativo de otra magnitud y relacionada
con la primera por medio de una expresión.
Las llamadas técnicas del filtrado estocástico
resuelven este problema práctico del que caben distinguir
dos apartados en el campo del control de procesos:
Estimación
de estados.- Con esta técnica se
pretende estimar los valores que toma el vector de estados x
(inaccesible) a partir de las medidas de la señal de
salida del sistema.
Estimación
de parámetros.- Con la aplicación
de esta técnica se trata de obtener una medida cuantitativa
de los parámetros que caracterizan al modelo matemático
de un sistema, cuando la estructura de este modelo es conocida
y haciendo uso de los datos del sistema real.
Como puede apreciarse, ambos problemas tienen las características
ya apuntadas, es decir, que se trata de estimar los valores
que toma una cierta magnitud a partir de las mediciones de otra
relacionada con la primera por medio de una expresión
conocida.
El problema de filtrado estocástico depende de varios
factores que enumeramos a continuación:
El criterio de
bondad elegido para la estimación, que suele
ser la minimización
del error cuadrático medio.
La relación
funcional que liga la magnitud medida con
la que se pretende estimar. Esta relación será
en general
no lineal.
Desde un punto de vista práctico para la ejecución
del algoritmo del filtrado es de sumo interés dotar a
éste de carácter recurrente.
Eh realidad, la estimación de parámetros puede
tratarse como un caso particular de la estimación de
estados, para ello basta con considerar les parámetros
como nuevos estados ampliando la dimensión del vector
de estados. En consecuencia, en lo que sigue, nos centraremos
fundamentalmente en el problema de la estimación de estados.
De ese modo, en su aspecto más general, un sistema dinámico
vendrá descrito por el par de ecuaciones:
\( \displaystyle \begin{array}{l}
\dot{x} = f()x,u,\alpha,v,t)\qquad\qquad (68) \\
\\
y = g(x,u,w,t) \qquad\qquad (69)
\end{array} \)
donde \( \alpha \) es un vector de parámetros desconocido.
Si este vector puede considerarse constante,
\( \dot{\alpha} = 0\qquad\qquad (70) \)
la ecuación de estado del proceso toma la forma :
\( \left(
\begin{array}{c}
\dot{x} \\
\dot{\alpha} \\
\end{array}
\right) = \left(
\begin{array}{c}
f(x,u,\alpha,v,t) \\
0 \\
\end{array}
\right)\qquad (71) \)
Pero, aun en el caso de que la dinámica del proceso sea
lineal, no podemos escribir esta ecuación en la forma:
\( \left(
\begin{array}{l}
\dot{x} \\
\dot{\alpha} \\
\end{array}
\right) =M \left(
\begin{array}{l}
x \\
\alpha\\
\end{array}
\right)\qquad (72) \)
donde M fuera una matriz no dependiente de x ni de \( \alpha \).
En consecuencia, y como puede apreciarse en el ejemplo que desarrollamos
a continuación, incluso para sistemas lineales, el problema
de estimación combinada de parámetros y estados
es un problema no lineal en el vector de estado ampliado \( (x,\alpha)^T\)
EJEMPLO.- Sea un sistema lineal de la forma:
\( \dot{x} = \alpha·x + u \quad ; \quad \dot{\alpha}
= 0 \)
para el que queremos resolver el problema de la identificación
conjunta del parámetro \( \alpha \) y del estado x.
Si hacemos:
\(z_1 = x\quad ; \quad z_2 = \alpha \)
Tendríamos:
\( z = \left(
\begin{array}{c}
x \\
\alpha \\
\end{array}
\right) \)
con lo cual resultaría :
\( \begin{array}{c}
\dot{z}_1 = z_1·z_2 + u \\
\\
\dot{z}_2 = 0
\end{array}\qquad \dot{z} = f(z,u) \)
que es un problema no lineal.
En la mayoría de los problemas que se presentan en la práctica
el ruido de salida del sistema suele tener carácter aditivo.
Así, por ejemplo, en sistemas discretos se suele cumplir:
\( y(k) = g[x(k)] + w(k)\quad\quad (73) \)
con lo que resulta inmediatamente:
\( p[y(k)|x(k)] = p[y(k)- g[x(k)]] = p[w(k)]\quad\quad (74)
\)
es decir, que la función de probabilidad condicional es
igual a la función de densidad de probabilidad del ruido,
que se supone conocida. Cuando esta función es gaussiana
(tipo ruido blanco) se obtienen expresiones relativamente fáciles
de manejar.
Con todo lo visto, el problema general de la estimación
puede abordarse matemáticamente desde tres puntos de
vista:
a) Estimación
de mínimos cuadrados
b) Estimación
de probabilidad máxima
c) Estimación
de Bayes.
En todos los casos los métodos conducen a la minimización
de una función de error con respecto a un vector x (discreto
o continuo) en un intervalo determinado.
El método de estimación de mínimos cuadrados
surge de un modo natural como sigue: elegimos la descripción
del proceso mediante:
\( \begin{array}{ll}
x(k+1) = f[x(k),k] + C(k)·v(k) & \quad (75) \\
& \\
y(k) = g[x(k), k] + w(k) & \quad(76)
\end{array} \)
Si no tenemos conocimiento previo del proceso y disponemos del
ruido de observación podemos definir:
\( \begin{array}{ll}
e_1 (k) = x^*(k+1) - f[x^*(k), k] & (77) \\
& \\
e_2(k) = y(k) - g[x^*(k), k] & (78)
\end{array} \)
donde \( x^*(k) \) sería la trayectoria cierta.
La función que elegiríamos para minimizar sería:
\( \displaystyle J = \sum_{k=1}^{r}[e_1^T(k)·Q·e_1(k)
+ e_2^T(k)·P·e_2(k)] \)
donde las matrices de peso Q y P se escogen definidas no negativas
a fin de que tenga sentido la minimización. De ese modo,
el valor de x(k) que hiciera mínimo a J sería el
estimado óptimo en el sentido de los mínimos cuadrados.
SI método de probabilidad máxima escoge el valor
de un parámetro o de una variable que debe estimarse
de forma tal que haga máxima una determina. La función
de probabilidad. Esta función de probabilidad suele establecerse
como la función de densidad considerada en función
del parámetro o de la variable de estado que desea estimarse.
Finalmente, los estimados óptimos de Bayes son los estimados
óptimos basados en las funciones de densidad de probabilidad
condicionada, \( p(x_i\; y^i) \) , que se obtienen de funciones
de densidad de probabilidad a priori utilizando la fórmula
de Bayes.