Advertisement

Kalmanfiltertechnik

Chapter
  • 88 Downloads
Part of the Aus dem Programm Nachrichtentechnik book series (volume 38)

Zusammenfassung

Zur Messung von elektrischen und nichtelektrischen Größen verwendet man einzelne Sensoren bzw. Sensorsysteme, deren Ausgangssignale außer dem eigentlichen Nutzsignal, das man auch als wahren Wert bezeichnet, mehr oder weniger ausgeprägte, systematische und zufällige Fehleranteile enthalten. Die Größenordnung dieser Fehleranteile hängt von der Qualität der Sensoren und von den Umgebungsbedingungen ab, denen die Sensoren am Einbauort ausgesetzt sind. So liefert z.B. ein in einem Meßflugzeug installierter Beschleunigungsmesser zur Erfassung von Schwerkraftanomalien (Gravimeter) ein Fehlersignal, das ca. 105 - al größer als das eigentliche Nutzsignal ist. Im Bereich der Flugnavigation sind Sensorsysteme im Einsatz, deren Kreiselsysteme im Hinblick auf eine ausreichende Navigationsgenauigkeit nur 1/100 Grad Drift pro Stunde aufweisen dürfen. Die Verbesserung von konventionellen Sensoren und die Entwicklung von neuartigen Sensoren, wie. z.B. den optischen Sensoren, ist ein interessantes und sich rasch veränderndes Fachgebiet.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur zu Kapitel 8: Kalmanfiltertechnik

  1. 1.
    Ardalan S.H., Pole/Zero Fast Kaiman Echo Cancellation and Application to Actual Measured Telephone Echo, IEEE International Conference on Com-munications, Chicago, 1985Google Scholar
  2. 2.
    Bellgardt K.H., Kuhlmann W., Meyer H.D., Schuegerl K, Thoma M., Application of an Extended Kaiman Filter for State Estimation of a Yeast Fermentation, Gesellschaft für Biotechnologische Forschung, Braunschweig, IEE Proceedings, Part D, 1986Google Scholar
  3. 3.
    Biemond J., Rieske J., Gerbrands J., A Fast Kaiman Filter for Images Degraded by Both Blur and Noise, IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol ASSP-31, No. 5, P. 1248 - 1256, October 1983CrossRefGoogle Scholar
  4. 4.
    Brammer K., Siffling G., Stochastische Grundlagen des Kalman-Bucy- Filters,Wahrscheinlichkeitsrechnung und Zufallsprozesse, 2. Auflage, Metho-den der Regelungstechnik, R. Oldenburg Verlag München Wien, 1986, ISBN 3-486-20215-4Google Scholar
  5. 5.
    Brammer K., Siffling G., Kalman-Bucy-Filter, Deterministische Beobachtung und stochastische Filterung, 2.Auflage, Methoden der Regelungstechnik, R. Oldenburg Verlag München Wien, 1985, ISBN 3-486-34662-8Google Scholar
  6. 6.
    Fräser D.C, A New Technique for the Optimal Smoothing of Data, MIT Doctoral Thesis, T 474, 1967Google Scholar
  7. 7.
    Jacob Th., Lechner W., Einsatz von Satellitennavigationsempfängern (GPS) für ein integriertes Flugführungssystem zur Landeanflugführung, Internationales Symposium Forschung und neue Technologien im Verkehr, Band 6, 1988, ISBN 3-88585-514-3Google Scholar
  8. 8.
    Hotop H.-J., Lechner W., Stieler B., Probleme bei der bordseitigen Bestimmung der Windverhältnisse mit Optimalfiltern, DGLR/DGON Symposium Fliegen im Flughafen-Nahbereich, Bücherei der Ortung und Navigation, Nr. 120-2, Hamburg, April 1979Google Scholar
  9. 9.
    Koivo A.J., Zhang q., Guo T.H., Industrial Manipulator Control Using Kaiman Filter and Adaptive Controller, IFAC Identifiction and System Parameter Estimation, Washington D.C., USA, 1982Google Scholar
  10. 10.
    Leach B.W., An Introduction to Kaiman Filtering, National Research Council Canada, NAE MISC 57, March 1984Google Scholar
  11. 11.
    Lechner W., Application of Model Switching and Adaptive Kaiman Filtering for Aided Strap down Navigation Systems Advances in Control and Dynamic Systems, Vol. 20, Part 2 Academic Press, New York, 1983, ISBN 0-12-012720-2Google Scholar
  12. 12.
    Lechner W., Algorithmen zur automatischen 4-dimensionalen Flug-bahnführung unter Berücksichtigung der momentanen Windsituation, DFL, FB 84-40Google Scholar
  13. 13.
    Lechner W., Lohl N., Windmapping für Verkehrsflugzeuge, Z.Flugwiss. Welt-raumforschung (ZFW), Band 11, 1987Google Scholar
  14. 14.
    Lee T., A Direct Approach to Identify the Noise Covariances of Kaiman Filtering, IEEE Trans. Autom. Control AC-25, August 1980Google Scholar
  15. 15.
    Mack G.A., Jain V.K., Speech Parameter Estimation by Time-Weighted- Error Kaiman Filtering, IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol ASSP-31, No. 5, P. 1300 - 1303, October 1983CrossRefGoogle Scholar
  16. 16.
    Miller K.S., Leskiw D.M., An Introduction to Kaiman Filtering with Applications, Malabar: Robert E. Krieger Pubi., ISBN 0-89874-824-0Google Scholar
  17. 17.
    Schrick K., Anwendungen der Kaiman-Filtertechnik, Anleitung und Beispiele, R. Oldenburg Verlag München Wien, 1977Google Scholar
  18. 18.
    Schuler H., Modellgestützte meßtechnische Überwachung chemischer Reaktoren, BASF AG, Ludwigshafen, Technisches Messen, 53, 1986Google Scholar
  19. 19.
    Singhai S., Wu L., Training Feed-Forward Networks with the Extended Kaiman Algorithm, ICASSP-89, IEEE International Conference on Acoustics, Speech and Signal Processing, IEEE Cat No 89CH2673-2, Glasgow, 1989Google Scholar

Copyright information

© Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig 1990

Authors and Affiliations

  1. 1.BraunschweigDeutschland
  2. 2.HannoverDeutschland

Personalised recommendations