Atena Editora

Este capítulo apresenta uma

metodologia para projeto de filtro de Kalman

fuzzy (FKF) via decomposição espectral dos

dados experimentais. A metodologia adotada

consiste na estimação paramétrica dos

submodelos lineares locais de um modelo fuzzy

no espaço de estados, referente ao sistema

dinâmico, por meio de um algoritmo fuzzy

baseado em mínimos quadrados. A estimação

dos ganhos do FKF baseado no modelo obtido

é realizada pelo método de compensação

paralela e distribuída (CPD). O particionamento

dos dados experimentais é realizado pelo

algoritmo Fuzzy C-Means (FCM) para definição

da base de regras, bem como da característica

não linear do FKF. Considerando-se o método

CPD, os ganhos de Kalman no consequente

de cada regra do FKF são atualizados em

função das componentes não-observáveis

resultantes da decomposição espectral do

sinal ruidoso. Este aspecto, em particular,

permite a eficiência do FKF diante de variações

consideráveis do nível de ruído sobre os dados

experimentais (relação sinal/ruído). Resultados

computacionais ilustram o bom desempenho

da metodologia proposta quando comparada a

abordagens relevantes da literatura.

Ler mais

DOI: 10.22533/at.ed.65220230318
Palavras-chave: Identificação de sistemas, Filtro de Kalman fuzzy, Análise Espectral, Estimação Paramétrica, Sistemas fuzzy.
Keywords: Systems identification, Fuzzy Kalman Filter, Spectral analysis, Parametric estimation, Fuzzy systems.
Abstract:
This chapter presents a

methodology for design of fuzzy Kalman

filter (FKF) via spectral decomposition of the

experimental data, is proposed. The adopted

methodology consists in parametric estimation

of local state space linear submodels of a fuzzy

model of the dynamic system, by means of a fuzzy

algorithm based on least squares, as well as in

estimation of FKF gains from the fuzzy model,

using the parallel and distributed compensation

(PDC) method. The partitioning of experimental

data, for definition of the rule base as well as the

nonlinear FKF characteristic, is performed by

fuzzy C-Means (FCM) clustering algorithm. Considering the PDC method, the Kalman

gains in the consequent of each FKF rule are updated as a function of the unobservable

components resulting from the spectral decomposition of noisy experimental data. In

particular, it allows to FKF efficiency in the face of considerable variations in the noise

level over the experimental data (signal/noise ratio). Computational results illustrate

the good performance of the proposed methodology when compared to relevant

approaches from the literature.
Número de páginas: 15

Download

Artigo