Projet Automatique DEA

SOUBIGOU Antoine DEA Mulhouse Janvier 2003
Rapport du projet
Automatique
Filtrage de Kalman
sous Matlab
Projet Automatique M. Bigu

Sommaire
Introduction 2
I Prsentation du problme....3
II Premire partie ...5

Les bruits de mesures affectant chaque srie de mesure sont dcorrls.
Les bruits dtat et de mesure sont galement dcorrls.
III Deuxime partie.....9

Les bruits de mesures affectant chaque srie de mesure sont corrls.
Les bruits dtat et de mesure sont galement dcorrls.
Technique de partage des mesures
IV Troisime partie ......11

Les bruits de mesures affectant chaque srie de mesure sont corrls.
Les bruits dtat et de mesure sont galement corrls.
Conclusion .13
Index des figures ...14
Annexes .....15
Annexe 1 : Programme premire partie ..16
Annexe 2 : Programme deuxime partie ..20
Annexe 3 : Programme troisime partie ..23
Projet Automatique -1- M. Bigu

Introduction
Le cours dautomatique de DEA, avec Mr. Bigu, nous a permis de dcouvrir un

nouveau filtrage : le filtrage de Kalman. Aprs un cours thorique, nous avons mis en pratique
ces connaissances en dveloppant sous Matlab un algorithme de Kalman, lors de deux sances
de travaux pratiques.
Le filtrage de Kalman, invent presque en mme temps que l'observation d'tat donne
une solution optimale une classe de problmes bien poss et une solution satisfaisante assez
souvent (mais pas toujours !). D'un certain point de vue, cette efficacit du filtrage de Kalman
loin de ses hypothses canoniques a fini par occulter son rel champ d'application.
La technique du filtre de Kalman est un outil privilgi de lestimation des modles

structurels composantes inobservables. Elle consiste en un ensemble dquations rcursives
et procde en deux temps. Premirement, une tape de filtrage qui permet dobtenir la
meilleure approximation de ltat Zt du systme la date t, conditionnellement linformation
disponible jusquen t. Deuximement, une tape de lissage qui donne lapproximation
optimale du vecteur dtat linstant t, conditionnellement toute linformation disponible
sur lensemble de la priode, de 1 T. Le lissage fournit des estimations des diverses
composantes inobservables (tendance, cycle et irrgularit) de la srie initiale, permettant
ainsi de la dsagrger date par date.
Pour ce projet dautomatique, le travail fait suite celui fait en TP. En effet les lignes
de codes restent dans lensemble les mmes. Les modifications sont dues la prsence de
deux bruits de mesures pour chaque partie au lieu dun seul.

I Prsentation du problme
Au cours de ce projet, on va reprendre un exemple abondamment trait en cours : un
processus de Gauss Markov. Le processus considr est stationnaire ; sa densit spectrale de
puissance est donne par :
2
S ( p) =
p2 +1
Les observations du processus sont entaches de bruits dont les caractristiques restent
dterminer. A la diffrence du TP dj suivi, on dispose de 2 mesures bruites du mme
signal chaque instant. La mthodologie pour rsoudre ces deux cas a t prsente en cours.
Dans un premier cas, les bruits de mesures affectant chaque srie de mesure sont
dcorrls. Les bruits dtat et de mesure sont galement dcorrls.
Dans un second cas, les bruits de mesures affectant chaque srie de mesure sont
corrls. Les bruits dtat et de mesure sont dcorrls.
Dans un troisime cas, les bruits de mesures affectant chaque srie de mesure sont
corrls. Les bruits dtat et de mesure sont corrls.
Le modle dtat continu pour ce systme scrit :
Avec A = -1
B = sqrt (2).
u est un bruit blanc gaussien.
On chantillonne toutes les 20 ms. On montre que le modle dtat discret pour ce
processus scrit :
x k +1 = k +1,k .x k + v k

Avec :
A[kT ].Te
k +1,k = e = 0,9802
Et
(t k +1 , ).B( ).u ( ).d

t k +1
vk =
tk
On montre que vk est aussi une squence blanche gaussienne, et que sa covariance Qk scrit :
[ ]
Qk = E vk .vkT =
t k +1
tk
tk
t k +1
[ ]
(t k +1 , ).B( ).E u ( ).u T ( ) .B T ( ). T (t k +1 , ).d .d
Dans notre cas :
Qk = E v k .v [ T
k ] = ( 2.e ) d 0.03921
0.02
0
2
Nous allons maintenant passer lapplication de ce filtrage de Kalman, en examinant

leffet du filtrage pour les trois cas de mesures vu prcdemment.

II Premire partie
Le fichier de donnes fourni (TP2003.mat) contient 3 sries de variables (suffixes 1,
2 et 3). La premire de ces sries est constitue de 3 variables : z1 , zbruite1 et bruit1
. Nous allons ltudier.
Premire question : bruit1 contient les valeurs relatives une ralisation du

bruit de mesures pour chaque mesure (une matrice 2 lignes x 1000 colonnes, 1
ligne par ralisation de bruit).
Dterminez rapidement les caractristiques de ces bruits.
La premire figure montre lvolution temporelle des deux bruits de mesures. Ensuite
on peut voir la densit spectrale de ces bruits.
Lanalyse des histogrammes montre bien que ces deux signaux sont Gaussiens. Leur
autocorrelation prsentent bien un pic central et la valeur moyenne est presque nulle. Les
conditions sont donc satisfaites pour appliquer la mthode de Kalman pour un filtrage.
De plus on obtient les valeurs caractristiques suivantes :
Moyenne du premier bruit : -0.0340

Moyenne du deuxime bruit : -0.0892
Covariance du premier bruit : 1.0160
Covariance du deuxime bruit : 0.9940

Deuxime question : Une fois les caractristiques des bruits connues, utilisez
lalgorithme de filtrage de Kalman pour dbruiter les donnes zbruite1 .
Commenter.
Figure 1 : Rsultat du filtrage bruits de mesures et dtat dcorrls
Cette figure montre trois courbes : En bleu, on observe le signal bruit, en rouge la
prdiction faite et en vert, le signal non bruit. Ce filtrage de Kalman permet de conclure que,
premire vue, la prdiction semble trs bonne par rapport au vrai signal non bruit. Lerreur
commise est faible.
Troisime question : Tracer lvolution temporelle des variables P et K.

Commentez.

Le premier graphe montre lvolution de P et traduit la rapidit du dbruitage. On

observe alors que le filtrage est trs performant au niveau de la vitesse. Le deuxime graphe
montre lvolution de K et traduit la stabilit du filtrage qui savre elle aussi trs bonne.
Quatrime question : A partir des donnes non bruites (variable z1 ),

observez l'volution temporelle de lerreur avant et aprs filtrage.
Comparez.
Voici les diffrentes erreurs releves :
o Erreur quadratique pour le premier signal avant filtrage : 982.8

o Erreur quadratique pour le deuxime signal avant filtrage : 947.0
o Erreur quadratique aprs le filtrage : 107.9
On peut donc en conclure que l'erreur quadratique a donc considrablement chute. Le

filtrage de Kalman est donc clairement efficace pour ces mesures de bruits.
Cinquime question : Comparer le filtrage ainsi ralis (fusion de donnes

partir de deux mesures) et le filtrage classique, en nutilisant par exemple que la
premire srie de mesures.
Figure 2 : Rsultat du filtrage bruits de mesures et dtat dcorrls sans fusion de

donnes
En observant de prs les dtails de ce graphe, on peut voir que le filtrage ralis ici -
sans fusion de donnes - est lgrement moins performant. En effet, la prdiction (en rouge)
admet un petit retard par rapport au vrai signal. On observe aussi que la prdiction est trop
forte certains endroits.

Le relev des erreurs est le suivant :

L'erreur quadratique a donc aussi considrablement chute, mais moins que lorsque
l'on fusionne les donnes de mesures. Le filtrage est toujours efficace. Par contre la fusion des
donnes apporte quelque chose de plus intressant au niveau de la prdiction.

II Deuxime partie
Le fichier de donnes contient une deuxime srie de variables, avec une deuxime
srie de ralisations de bruit dobservations.
Premire question : bruit2 contient les valeurs relatives une ralisation du

bruit de mesures pour chaque mesure (une matrice 2 lignes x 1000 colonnes, 1
ligne par ralisation de bruit). Dterminez rapidement les caractristiques de ces
bruits.
on peut voir la densit spectrale de ses bruits.
Lanalyse des histogrammes montre bien que ces deux signaux sont, pour cette
deuxime srie de mesures, Gaussiens. Leur autocorrelation prsentent encore un pic central
et la moyenne est quasi nulle. Les conditions sont donc satisfaites pour appliquer la mthode
de Kalman pour un filtrage.
De plus on obtient les valeurs caractristiques suivantes :


lalgorithme de filtrage de Kalman avec la technique de partage des mesures
pour dbruiter les donnes zbruite2 . Commentez.
Pour cette partie, les deux bruits de mesures sont corrls. Il est donc ncessaire, avant
dappliquer le filtrage de Kalman, de les dcorrls. Lide, comme on la vu la fin du cours,
est de diagonaliser la matrice R de covariance du bruit de mesure. La premire tape est donc
de calculer les termes de la matrice R, ensuite lalgorithme de Kalman est modifi lgrement,
puis on lance les calculs afin de filtrer le signal.
Voici le rsultat obtenu :
Figure 3 : Rsultat du filtrage bruits de mesures corrls et bruits dtat dcorrls.

Partage des mesures.
Le rsultat est assez satisfaisant, la prdiction est proche du signal non bruit. Mais
pour conclure sur la qualit du filtrage, regardons les erreurs quadratiques avant et aprs
filtrage.
Troisime question : A partir des donnes non bruites (variable z2 ), observez

l'volution temporelle de lerreur avant et aprs filtrage. Comparez.
Quatrime question : Comparez avec le cas prcdent
Voici les diffrentes erreurs releves des erreurs :

o Erreur quadratique pour le deuxime signal avant filtrage : 1922
Projet Automatique - 10 - M. Bigu

Lerreur quadratique en fin de filtrage est bien plus grande que pour lexemple
prcdent. Mme si le filtrage semble bon, il est meilleur pour la premire srie de mesure
(partie 1) dont lerreur en fin de filtrage tait 9 fois plus faible. On voit aussi que la prdiction
ne suit pas aussi bien le signal que prcdemment.

II Troisime partie
Le fichier de donnes contient une troisime srie de variables, avec en particulier une
troisime srie de ralisations de bruit dobservations.
Premire question : bruit3 contient les valeurs relatives une ralisation du bruit
de mesures pour chaque mesure (une matrice 2 lignes x 1000 colonnes, 1 ligne par
ralisation de bruit). La covariance entre U et le premier bruit de mesure est covU1
, entre U et le deuxime bruit de mesure covU2 . Dterminez rapidement les
caractristiques des bruits de mesure
on peut voir la densit spectrale de ses bruits.
Lanalyse des histogrammes montre bien que ces deux signaux sont, pour cette
troisime srie de mesures, Gaussiens, leur autocorrelation prsentent encore un pic central et
la moyenne est presque nulle. Les conditions sont donc satisfaites pour appliquer la mthode
de Kalman pour un filtrage.
On obtient les valeurs caractristiques suivantes :


lalgorithme de filtrage de Kalman pour dbruiter les donnes zbruite3 .
Commentez.
Dans cet exemple, les bruits de mesures affectant chaque srie de mesure sont corrls et
les bruits dtat et de mesure sont aussi corrls. Le premier algorithme sera modifier au
niveau de la matrice R qui sera alors diagonale avec les valeurs covU1 et covU3 dans sa
diagonale.
On obtient le rsultat suivant :
Figure 4 : Rsultat du filtrage bruits de mesures et dtat corrls
Le rsultat est encore trs satisfaisant, la prdiction est proche du signal non bruit.
Regardons les diffrentes erreurs.
Troisime question : A partir des donnes non bruites (variable z3 ), observez

l'volution temporelle de lerreur avant et aprs filtrage. Comparez.
Voici les diffrentes erreurs releves des erreurs :

o Erreur quadratique pour le deuxime signal avant filtrage : 146.51
L'erreur quadratique a chute, cependant un des bruits avait dj une erreur

quadratique faible. Ce filtrage a lair dtre le plus efficace. Cependant, cette grande baisse est
peut-tre due la faible valeur de lerreur quadratique du deuxime signal avant filtrage. On
ne peut donc pas vraiment comparer ce filtrage avec les deux prcdents dont les erreurs
quadratiques des bruits de mesures taient relativement proches

Conclusion
Ces sances de TP et ce dernier TP test, transform en projet, nous ont permis de

dcouvrir une nouvelle technique de filtrage quest celle de Kalman. De plus la
programmation se faisait sous lenvironnement de calcul Matlab ; cela nous a donc permis de
nous amliorer au niveau de lcriture du langage.
Ces domaines dapplication sont aujourdhui trs vastes et les rsultats obtenus,
comme dans notre exemple de dbruitage de signaux, montrent leurs grandes possibilits.
Les trois programmes constituants chaque partie de ce projet son disponible sur la
disquette jointe. Il sy trouve galement le rapport en PDF.

Table des figures
Figure 1 : Rsultat du filtrage bruits de mesures et dtat dcorrls .....................................5
Figure 2 : Rsultat du filtrage bruits de mesures et dtat dcorrls sans fusion de

donnes ....................................................................................................................................6
Figure 3 : Rsultat du filtrage bruits de mesures corrls et bruits dtat dcorrls.

Partage des mesures ...............................................................................................................9
Figure 4 : Rsultat du filtrage bruits de mesures et dtat corrls .......................................11

Annexes

Annexe 1 : Premire partie du programme

%%%%%%%%%%%%%%%%%%%
% %
% TP EXAM de Filtrage de Kalman %
% %
% SOUBIGOU Antoine %
% %
%%%%%%%%%%%%%%%%%%%
clc; clear; close all;
%%%%%%%%%%
% %
% Premire partie %
% %
%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%
% Mise en place des variables utilises %
%%%%%%%%%%%%%%%%%%%%%
load TP2003.mat
b1=bruit1(:,1);
b11=bruit1(:,2);
zb1=zbruite1(1,:);
zb11=zbruite1(2,:);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Trac et calcul des diffrentes caractristiques des bruits %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure(1)
subplot(211);
plot(b1);
title('Ralisation du bruit de mesures pour la premire mesure');
subplot(212);
plot(b11);
title('Ralisation du bruit de mesures pour la deuxime mesure');
pause;
% Moyenne des deux bruits de mesures

disp('Moyenne des bruits de mesures')
MoyennePremierBruit = mean(b1) % -0.0340
MoyenneDeuxiemeBruit = mean(b11) % -0.0892
pause;
% Sont-ils gaussien ? Oui, les graphes le montrent

figure(2)
subplot(211);
hist(b1,50)
title('Histogramme du premier bruit de mesures');
subplot(212);
hist(b11,50)
title('Histogramme du deuxime bruit de mesures');
pause;

%autocorrelation
figure(3)
subplot(211);
plot(xcorr(b1))
title('Autocorrelation du premier bruit de mesures');
subplot(212);
plot(xcorr(b11))
title('Autocorrelation du deuxime bruit de mesures');
pause;
%Covariance des bruits de mesures

disp('Covariance des bruits de mesures')
CovariancePremierBruit = cov(b1) % 1.0160
CovarianceDeuxiemeBruit = cov(b11) % 0.9940
pause;
%DSP des bruits de mesures

figure(4)
subplot(211);
plot(psd(b1))
title('DSP du premier bruit de mesures');
subplot(212);
plot(psd(b11))
title('DSP du deuxime bruit de mesures');
pause;
% Variance des bruits de mesures identique la covariance

disp('Variance des bruits de mesures')
VariancePremierBruit = var(b1)
VarianceDeuxiemeBruit = var(b11)
pause;
% reprsentation frquentielle du bruit:

figure(5)
subplot(211);
plot(abs(fft(b1)))
title('Reprsentation frquentielle du premier bruit');
subplot(212);
plot(abs(fft(b11)))
title('Reprsentation frquentielle du deuxime bruit de mesures');
pause;
%%%%%%%%%%%%%%%%
% Implmentation de kalman %
%%%%%%%%%%%%%%%%
% Dbruitage des donnes 'zbruite1' dans un premier temps.

% Elles sont dcorrls
% Mise en place des variables connues
R=[VariancePremierBruit 0;0 VarianceDeuxiemeBruit]; % Variance des bruits de mesure

Q=0.03921; % Covariance du bruit d'tat
Te=0.02; % Echantillonnage de 20 ms
F=exp(-Te); % F=phi
Pinit=1000; % On le met grand pour le dbut
xinit=0;

H=[1;1];
eq11=0;
eq12=0;
eq2=0;
for i=1:1000
K(i,:)=Pinit*H'*(H*Pinit*H'+R)^(-1); % quation de prdiction
x(i)=xinit+K(i,:)*(zbruite1(:,i)-H*xinit); % quation de correction avec la mesure
P(i)=Pinit-K(i,:)*H*Pinit; % correction de la variance de l'erreur de prdiction
xinit=F*x(i); % prdiction
Pinit=F*P(i)*F'+Q; % prdiction
% Calcul de l'erreur quadratique :

eq11=eq11+(z1(i)-zbruite1(1,i))^2; % calcul de l'erreur premier bruit avant filtrage
eq12=eq12+(z1(i)-zbruite1(2,i))^2; % calcul de l'erreur deuxime bruit avant filtrage
eq2=eq2+(z1(i)-x(i))^2; % calcul de l'erreur quadratique aprs filtrage
end
% Rsultat de l'algorithme avec la fusion de donnes
figure(6)
hold on
plot(zbruite1(1,:),'b.')
plot(x,'r')
plot(z1,'g')
title('Comparaison entre le signal bruit (bleu), la prdiction (rouge), et le signal (vert)');
pause;
hold off
% Evolution temporelle des variables P et K :
figure(7)
subplot(211);
plot(P,'g')
title('Evolution de P') % Ca traduit la rapidit du dbruitage
subplot(212);
plot(K(:,1))
plot(K(:,2),'r')
title('Evolution de K') % et la stabilit du systme
pause;
% Calcul de l'erreur quadratique avant et aprs filtrage:
eq11 % 982.88
eq12 % 947.08
eq2 % 107.93
pause;
% L'erreur quadratique a donc considrablement chute.

% Le filtrage est donc clairement efficace.
% Comparaison du filtrage ainsi ralis avec un filtrage classique:

% Implmentation de Kalman (on n'utilise que la premire srie de mesures).

% Valeurs connues:
R=CovariancePremierBruit; % Variance du premier bruit de mesure

H=1;
K=0;
F=exp(-Te); % F=phi
Pinit=1000;
xinit=0;
eq1=0;
eq2=0;
for i=1:1000
K(i)=Pinit*(Pinit+R)^(-1); % quation de prdiction
x(i)=xinit+K(i)*(zbruite1(1,i)-xinit); % quation de correction avec la mesure
P(i)=Pinit-K(i)*Pinit; % correction de la variance de l'erreur de prdiction
% erreur quadratique
eq1=eq1+(z1(i)-zbruite1(1,i))^2 ; % calcul de l EQ avant filtrage
eq2=eq2+(z1(i)-x(i))^2; % calcul de l EQ aprs filtrage
end
% Rsultat du filtrage
figure(8)
hold on
plot(x,'r')
plot(z1,'g')
pause;
hold off
% Evolution temporelle des variables P et K :
figure(9)
subplot(211);
plot(P,'g')
title('Evolution de P') % a traduit la rapidit du dbruitage
subplot(212);
plot(K,'r')
title('Evolution de K') % et la stabilit du systme
pause;
eq1 % 982.88
eq2 % 148.03
pause;
% L'erreur quadratique a donc considrablement chute, mais moins que lorsque

% l'on fusionne les donnes de mesure.
% Le filtrage est toujours efficace.
% Dans ce cas, la fusion des donnes apporte quelque chose de plus intressant.
% Appel la deuxime partie du sujet
Partie2

Annexe 2 : Deuxime partie du programme

%%%%%%%%%%%
% %
% Deuxime partie %
% %
%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%
load TP2003.mat
b2=bruit2(:,1);
b22=bruit2(:,2);
zb2=zbruite2(1,:);
zb22=zbruite2(2,:);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure(1)
subplot(211);
plot(b2);
subplot(212);
plot(b22);
pause;

pause;

figure(2)
subplot(211);
hist(b2,50)
subplot(212);
hist(b22,50)
pause;
% Autocorrelation
figure(3)
subplot(211);
plot(xcorr(b2))
subplot(212);
plot(xcorr(b22))
pause;
% Covariance des bruits de mesures


pause;
% DSP des bruits de mesures

figure(4)
subplot(211);
plot(psd(b2))
subplot(212);
plot(psd(b22))
pause;
% Variance des bruits de mesures

covariance12 = cov(bruit2(:,1),bruit2(:,2))
pause;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Implmentation de kalman avec partage des mesures %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Voici les deux bruits de mesures qui sont corrls

%
% b2=bruit2(:,1) et b22=bruit2(:,2);
%
% On va diagonaliser la matrice R de covariance du bruit
%
% ( )
% ( E(b2) E(b2.b22) )
% R= ( )
% ( E(b22.b2) E(b22) )
% ( )
%
% Calcul des diffrents termes de la matrice puis mise jour de zbruite2
%%%%%%%%%%%%%%%%%%%%%%%
% Cration des nouveaux bruits de mesures %
% Pour le partage des mesures (vu en cours) %
%%%%%%%%%%%%%%%%%%%%%%%
% x1 et x2 vont remplacer les deux colonnes de zbruite2
for i=1:1000
x1(i)=0;
x2(i)=0;
end
% On calcul les nouvelles valeurs dcorrls pour les bruits de mesures

% On note alors x1 la nouvelle valeur de b2
% Et x2 la nouvelle valeur de b22
% La relation est tire de l'exemple d'application vu en cours
for i=1:1000
x1(i) = zbruite2(1,i);

x2(i) = -( (zbruite2(1,i) + zbruite2(2,i))/2 ) * zbruite2(1,i) + ( (zbruite2(1,i) + zbruite2(1,i))/2 ) * zbruite2(2,i);

end
% Puis on cre finalement w, semblable zbruite2 mais dont les mesures sont partages
for i=1:1000
w(1,i)=x1(i);
w(2,i)=x2(i);
end
% Valeurs connues
R=[VariancePremierBruit 0; % Variance des bruits de mesure (combinaison linaire des anciennes mesures)
0 (-(covariance12(1,2))^2 * VariancePremierBruit + (VariancePremierBruit)^2 * VarianceDeuxiemeBruit)];
F=exp(-Te); % F=phi
Pinit=1000;
xinit=0;
H=[1;1];
eq11=0;
eq12=0;
eq2=0;
for i=1:1000
x(i)=xinit+K(i,:)*(w(:,i)-H*xinit); % quation de correction avec la mesure
eq11=eq11+(z2(i)-w(1,i))^2; % calcul de l'EQ avant filtrage
eq12=eq12+(z2(i)-w(2,i))^2; % calcul de l'EQ avant filtrage
eq2=eq2+(z2(i)-x(i))^2; % calcul de l'EQ aprs filtrage
end
% Evolution de l'erreur avant et aprs filtrage :

% On compare le signal bruit avec notre correction.
figure(5)
hold on
plot(w(1,:),'b.')
plot(x,'r')
plot(z2,'g')
pause;
hold off
eq11 % 1015.7
eq12 % 1269.7
eq2 % 432.83
pause;
% L'erreur quadratique a donc chute.

% Le filtrage est efficace, cependant ce filtre reste peu prcis.
% Appel la troisime partie du sujet
Partie3

Annexe 3 : Troisime partie du programme

%%%%%%%%%%%
% %
% Troisime partie %
% %
%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%
load TP2003.mat
b3=bruit3(:,1);
b33=bruit3(:,2);
zb3=zbruite3(1,:);
zb33=zbruite3(2,:);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure(1)
subplot(211);
plot(b3);
subplot(212);
plot(b33);
pause;

pause;

figure(2)
subplot(211);
hist(b3,50)
subplot(212);
hist(b33,50)
pause;
% Autocorrelation
figure(3)
subplot(211);
plot(xcorr(b3))
subplot(212);
plot(xcorr(b33))
pause;

% Covariance des bruits de mesures

pause;
% DSP des bruits de mesures

figure(4)
subplot(211);
plot(psd(b3))
subplot(212);
plot(psd(b33))
pause;
% Variance des bruits de mesures

pause;
%%%%%%%%%%%%%%%%
% Imlplmentation de kalman %
%%%%%%%%%%%%%%%%
% Valeurs connues
R=[covU1 0; % Variance des bruits de mesure

0 covU2];
F=exp(-Te); % F=phi
Pinit=1000;
xinit=0;
H=[1;1];
eq11=0;
eq12=0;
eq2=0;
for i=1:1000
x(i)=xinit+K(i,:)*(zbruite3(:,i)-H*xinit); % quation de correction avec la mesure

eq11=eq11+(z3(i)-zbruite3(1,i))^2; % calcul de l'EQ avant filtrage
eq12=eq12+(z3(i)-zbruite3(2,i))^2; % calcul de l'EQ avant filtrage
eq2=eq2+(z3(i)-x(i))^2; % calcul de l'EQ aprs filtrage
end
% Evolution de l'erreur avant et aprs filtrage

% On compare le signal bruit avec notre correction.
figure(5)
hold on
plot(x,'r')
plot(z3,'g')
pause;
hold off
% Calcul de l'erreur quadratique avant et aprs filtrage
eq11 % 1152.6
eq12 % 146.51
eq2 % 93.13
pause;
% L'erreur quadratique a chute, cependant un des bruits avait dj une erreur quadratique faible.
close all;

Projet Automatique DEA

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Projet Automatique DEA

Diunggah oleh

Hak Cipta:

Format Tersedia

SOUBIGOU Antoine DEA Mulhouse Janvier 2003

Projet Automatique M. Bigu

II Premire partie ...5

III Deuxime partie.....9

IV Troisime partie ......11

Index des figures ...14

Projet Automatique -1- M. Bigu

Le cours dautomatique de DEA, avec Mr. Bigu, nous a permis de dcouvrir un

La technique du filtre de Kalman est un outil privilgi de lestimation des modles

Projet Automatique -2- M. Bigu

Le modle dtat continu pour ce systme scrit :

Projet Automatique -3- M. Bigu

(t k +1 , ).B( ).u ( ).d

Dans notre cas :

Nous allons maintenant passer lapplication de ce filtrage de Kalman, en examinant

Projet Automatique -4- M. Bigu

Premire question : bruit1 contient les valeurs relatives une ralisation du

De plus on obtient les valeurs caractristiques suivantes :

Moyenne du premier bruit : -0.0340

Projet Automatique -5- M. Bigu

Figure 1 : Rsultat du filtrage bruits de mesures et dtat dcorrls

Troisime question : Tracer lvolution temporelle des variables P et K.

Projet Automatique -6- M. Bigu

Le premier graphe montre lvolution de P et traduit la rapidit du dbruitage. On

Quatrime question : A partir des donnes non bruites (variable z1 ),

Voici les diffrentes erreurs releves :

o Erreur quadratique pour le premier signal avant filtrage : 982.8

On peut donc en conclure que l'erreur quadratique a donc considrablement chute. Le

Cinquime question : Comparer le filtrage ainsi ralis (fusion de donnes

Figure 2 : Rsultat du filtrage bruits de mesures et dtat dcorrls sans fusion de

Projet Automatique -7- M. Bigu

Le relev des erreurs est le suivant :

o Erreur quadratique pour le premier signal avant filtrage : 982.8

Projet Automatique -8- M. Bigu

Premire question : bruit2 contient les valeurs relatives une ralisation du

De plus on obtient les valeurs caractristiques suivantes :

Moyenne du premier bruit : -0.0123

Projet Automatique -9- M. Bigu

Voici le rsultat obtenu :

Figure 3 : Rsultat du filtrage bruits de mesures corrls et bruits dtat dcorrls.

Troisime question : A partir des donnes non bruites (variable z2 ), observez

Voici les diffrentes erreurs releves des erreurs :

o Erreur quadratique pour le premier signal avant filtrage : 1015.7

Projet Automatique - 10 - M. Bigu

Projet Automatique - 11 - M. Bigu

On obtient les valeurs caractristiques suivantes :

Moyenne du premier bruit : -0.0366

Projet Automatique - 12 - M. Bigu

On obtient le rsultat suivant :

Figure 4 : Rsultat du filtrage bruits de mesures et dtat corrls

Troisime question : A partir des donnes non bruites (variable z3 ), observez

Voici les diffrentes erreurs releves des erreurs :

o Erreur quadratique pour le premier signal avant filtrage : 1152.6

L'erreur quadratique a chute, cependant un des bruits avait dj une erreur

Projet Automatique - 13 - M. Bigu

Ces sances de TP et ce dernier TP test, transform en projet, nous ont permis de

Projet Automatique - 14 - M. Bigu

Table des figures

Figure 1 : Rsultat du filtrage bruits de mesures et dtat dcorrls .....................................5

Figure 2 : Rsultat du filtrage bruits de mesures et dtat dcorrls sans fusion de

Figure 3 : Rsultat du filtrage bruits de mesures corrls et bruits dtat dcorrls.

Figure 4 : Rsultat du filtrage bruits de mesures et dtat corrls .......................................11

Projet Automatique - 15 - M. Bigu

Projet Automatique - 16 - M. Bigu