[论文解读] Periodic Chandrasekhar recursions

Abdelhakim Aknouche, Fayçal Hamdi|ArXiv.org|Nov 24, 2007

Control Systems and Identification参考文献 23被引用 4

一句话总结

本文将Chandrasekhar型递推关系推广至周期时变状态空间模型，通过用S-滞后预测误差协方差增量替代周期Riccati差分方程，实现了计算高效的线性最小二乘估计。该方法通过利用S-滞后预测误差协方差增量，降低了计算复杂度，在许多情况下实现了低维递推（尤其当Sm < r时），同时通过平方根形式保持了数值稳定性。

ABSTRACT

This paper extends the Chandrasekhar-type recursions due to Morf, Sidhu, and Kailath "Some new algorithms for recursive estimation in constant, linear, discrete-time systems, IEEE Trans. Autom. Control 19 (1974) 315-323" to the case of periodic time-varying state-space models. We show that the S-lagged increments of the one-step prediction error covariance satisfy certain recursions from which we derive some algorithms for linear least squares estimation for periodic state-space models. The proposed recursions may have potential computational advantages over the Kalman Filter and, in particular, the periodic Riccati difference equation.

研究动机与目标

• 将此前仅适用于时不变系统的Chandrasekhar型递推关系推广至周期时变系统。
• 为周期状态空间模型中的线性最小二乘估计开发计算高效的算法。
• 通过利用周期结构和S-滞后预测误差协方差增量，降低周期Riccati差分方程（PRDE）的维数。
• 为周期ARMA（PARMA）模型中的似然函数评估和Fisher信息矩阵计算提供一个框架。
• 通过所提出递推关系的平方根形式，提升数值稳定性。

提出的方法

• 基于S-滞后一步预测误差协方差矩阵的增量，推导出周期Chandrasekhar递推关系。
• 引入一种利用矩阵$ Y_1 $和低维矩阵$ M_1 $对周期Riccati差分方程进行分解的方法，避免了满秩更新。
• 采用创新方法，通过所推导的递推关系表达周期ARMA模型的似然函数。
• 提出算法的平方根版本，通过避免显式协方差矩阵求逆，提升数值稳定性。
• 将该方法应用于周期自回归模型（PAR(5))，以展示在Riccati方程中实现维数降低的效果。
• 基于周期结构和$ ext{rank}(Y_1) $，建立$ M_1 $的初始化规则，尤其在$ Sm < r $时。

实验结果

研究问题

• RQ1 Chandrasekhar型递推关系能否推广至周期时变状态空间模型，以降低计算成本？
• RQ2 在何种条件下，周期Chandrasekhar递推的维数会小于标准Kalman滤波器中Riccati方程的维数？
• RQ3 如何对周期Riccati差分方程进行分解，以避免满秩更新并提升计算效率？
• RQ4 对$ M_1 $的初始化如何影响周期Chandrasekhar滤波器的稳定性与复杂度？
• RQ5 所提出的递推关系能否扩展为平方根形式，以在实际实现中提升数值鲁棒性？

主要发现

• 当$ Sm < r $时，周期Chandrasekhar递推将Riccati方程的维数从$ r $降低至$ S $，显著降低计算成本——例如在$ S=2 $的PAR(5)模型中，维数从5降至2。
• 当$ Sm > r $时，Chandrasekhar递推的维数与Kalman滤波器的PRDE维数相同，但矩阵$ M_1 $无需为半正定，从而提升了数值灵活性。
• 所提出的算法实现了周期ARMA（PARMA）模型的高效似然评估，为标准Kalman滤波器提供了可行的替代方案。
• 算法的平方根版本通过避免直接矩阵求逆，并利用因式分解形式保持正定性，显著增强了数值稳定性。
• 在$ S=2 $的PAR(5)模型示例中，Chandrasekhar滤波器将Riccati方程的维数从5降至2，展示了显著的计算优势。
• 该方法为周期系统中快速递归最小二乘（RLS）算法和精确Fisher信息矩阵计算奠定了基础。