Análise de Observabilidade e Processamento de Erros Grosseiros ...
Análise de Observabilidade e Processamento de Erros Grosseiros ...
Análise de Observabilidade e Processamento de Erros Grosseiros ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
50 Estimador <strong>de</strong> Estado Não-Linear<br />
z = h(x) + e (3.1)<br />
z é o vetor <strong>de</strong> medidas <strong>de</strong> dimensão m, x é o vetor <strong>de</strong> estado real do sistema <strong>de</strong> dimensão n,<br />
com n < m, h(.) é o vetor <strong>de</strong> funções não-lineares que relacionam medidas aos estados. O vetor<br />
e <strong>de</strong> erros é consi<strong>de</strong>rado com média nula e com matriz covariância R z .<br />
O estimador <strong>de</strong> estado é formulado como a minimização do erro pon<strong>de</strong>rado quadrático representado<br />
pela função J(x).<br />
J(x) = 1 2 [z − h(x)]′ R −1<br />
z [z − h(x)] (3.2)<br />
que po<strong>de</strong> ser reescrita da seguinte forma:<br />
J(x) = 1 2<br />
m∑<br />
j=1<br />
(<br />
zj − h j (x)<br />
σ j<br />
) 2<br />
(3.3)<br />
on<strong>de</strong> σ 2 j é o elemento (j, j) da matriz covariância do erro <strong>de</strong> medida R z. O método Newton-<br />
Raphson aplica diretamente as condições <strong>de</strong> otimalida<strong>de</strong> sobre a função J(x). A condição <strong>de</strong><br />
primeira or<strong>de</strong>m para esse mo<strong>de</strong>lo é dado por:<br />
∂J(ˆx)<br />
∂x<br />
m = − ∑<br />
( )<br />
zj − h j (x) ∂hj (x)<br />
∂x<br />
j=1<br />
σ j<br />
= 0 (3.4)<br />
Chamando a função g(x) = ∂J(ˆx)<br />
∂x<br />
, o objetivo resume-se em <strong>de</strong>terminar as raízes. Realizandose<br />
a expansão <strong>de</strong> Taylor da função g(x), obtém-se a expressão do tipo:<br />
g(x + ∆x) ≃ g(x) + G(x)∆x (3.5)<br />
G(x) correspon<strong>de</strong> a matriz Hessiana <strong>de</strong> J(x).<br />
G(x) = ∂2 J(x)<br />
∂x 2 =<br />
m∑<br />
j=1<br />
σj<br />
−1 ∂h j (x)<br />
∂x<br />
( ∂hj (x)<br />
∂x<br />
)′<br />
−<br />
m∑<br />
( )<br />
zj − h j (x) ∂ 2 h j (x)<br />
∂x 2 (3.6)<br />
j=1<br />
σ j