Идентификация измерителя состояния (канала передачи данных) для случая стохастических и параметрически неопределенных сред

Abstract

Проводится анализ задач идентификации измерений в стохастических и неопределенных условиях, приближенных к реальности, в системах управления или связи. Примером ситуации, когда такая задача возникает в системах связи, является запрос на информацию о состоянии канала (ИСК). ИСК критически важна по многим причинам. Среди прочих случаев ИСК может включать специальные оценки прямых и перекрестных каналов вместе с данными об их точности, прежде чем осуществлять прекодинг передаваемых сигналов для устранения наложений каналов. Разрабатываемое решение заключается в построении адаптивного фильтра Калмана (АФК) – такого, который сходится к оптимальному фильтру Калмана (ОФК) без какого-либо смещения в оценках. Этот результат достигается построением и затем минимизацией некоторого специфического Вспомогательного Функционала Качества (ВФК). Этот ВФК должен удовлетворять двум условиям: 1) он достигает своего минимума одновременно с Исходным Функционалом Качества (ИФК), который не может быть измерен, и 2) он доступен для использования любым практическим методом оптимизации. Изложение этого так называемого активного принципа адаптации в общем уточняющем примере позволяет проследить всю процедуру решения шаг за шагом. Работу завершает экспериментальная проверка теоретических положений. The paper performs the measurement identification objectives analysis under stochastic and uncertain conditions close to reality in control or communication systems. An example when such a situation arises in communication systems is the quest for channel state information (CSI). CSI is vital for many reasons. Among other events, the CSI may include a specific estimate of the direct and crosstalk channels along with information on their accuracy before precoding the transmit signals for crosstalk cancellation. The solution developed resides in constructing an adaptive Kalman filter (AKF) such one that converges to the optimal Kalman filter (OKF) without any bias in estimates. This result is achieved by constructing and then minimizing a specific Auxiliary Performace Index (API). The API must satisfy the two conditions: 1) it arrives at its minimum point coincidently with the Original Performance Index (OPI), which cannot be measured, and 2) it is measurable and admissible for using by any practical optimization method. The presentment of this so-called Active Principle of Adaptation in a given general specification example makes it possible to retrace the procedure of the solution step-by-step. Experimental validation of the theoretical ideas concludes the paper.