基于后向欧拉法的受扰模型递归L2-to-L∞滤波

《IEEE Open Journal of Signal Processing》：Recursive L2 -to-L∞ Filtering of Disturbed Models based on the Backward Euler Method

　　

当系统在脉冲扰动下运行且传统状态估计方法失效时，需要鲁棒的峰值误差抑制。本文采用误差到误差传递函数方法，针对基于后向欧拉法的离散时间状态空间模型，计算鲁棒递归L₂-to-L_∞滤波器的偏置校正增益K。将扰动视为高斯-马尔可夫序列，利用能量到峰值引理、一个新提出的定理和线性矩阵不等式计算增益K。基于准周期谐波模型，从均方误差、鲁棒性和估计质量方面，对L₂-to-L_∞、H_∞、无偏有限冲激响应（UFIR）和卡尔曼滤波器的性能进行了数值比较。在一个污染严重的城市区域进行了空气质量监测的实验验证。结果表明，L₂-to-L_∞滤波器的增益K符合先前制定的经验法则，即其值介于UFIR和卡尔曼滤波器的增益之间。在数值和实验例子中，L₂-to-L_∞滤波器均表现出最小的峰值误差。

**论文解读**

**1. 研究背景与问题**

在实际工程系统中，外部扰动往往以脉冲形式出现，例如电磁干扰、突然的负载变化或传感器故障。这类扰动具有幅值大、持续时间短的特点，容易引起状态估计的峰值误差急剧增大，进而影响控制系统或监测系统的可靠性。传统的状态估计方法，如卡尔曼滤波器，在系统模型精确且噪声满足高斯假设时表现良好，但当系统遭受强脉冲扰动时，其估计性能会显著退化，甚至失效。因此，需要设计一种能够有效抑制峰值误差的鲁棒滤波方法。

针对这一需求，研究人员聚焦于递归L₂-to-L_∞滤波器的设计。L₂-to-L_∞滤波将输入信号的有限能量（L₂范数）与输出峰值（L_∞范数）联系起来，通过最小化从扰动到估计误差的峰值增益，从而在脉冲扰动下提供更强的鲁棒性。然而，现有研究尚未充分探讨如何将这种方法应用于基于后向欧拉法离散化的状态空间模型。后向欧拉法是一种隐式数值积分方法，能够保证离散化后的系统稳定性，但其引入的离散化误差使得滤波器的增益设计更加复杂。因此，本文旨在为这类模型开发一种鲁棒的递归L₂-to-L_∞滤波器，并验证其有效性。

**2. 研究内容与意义**

研究人员采用误差到误差传递函数的方法来计算滤波器的偏置校正增益K。该传递函数描述的是前一时刻的估计误差与当前时刻的估计误差之间的关系，通过合理设计增益K，可以使得误差传播具有最小的峰值增益。扰动被建模为高斯-马尔可夫序列，这是一种常见的随机扰动模型，能够描述时间相关的扰动特性。增益K的计算依赖于三个关键要素：能量到峰值引理、一个新提出的定理以及线性矩阵不等式（LMI）。能量到峰值引理提供了从扰动能量到输出峰值的增益上界条件，新定理则为增益K的可行域提供了理论保证，而线性矩阵不等式被用来求解具体的增益值，这使计算可以借助标准的凸优化工具完成。

该研究的另一重要贡献在于系统地比较了L₂-to-L_∞滤波器与H_∞滤波器、无偏有限冲激响应（UFIR）滤波器以及卡尔曼滤波器的性能。比较基于准周期谐波模型，该模型模拟了含有多频率成分的周期性信号，并引入了脉冲扰动。评估指标包括均方误差、鲁棒性和估计质量。此外，研究还利用真实环境数据进行了实验验证，即在空气污染严重的城市区域进行空气质量监测，以检验滤波器在实际脉冲扰动下的表现。

论文发表在《IEEE Open Journal of Signal Processing》。该研究为脉冲扰动下的状态估计提供了一种新的鲁棒滤波方案，并为滤波器的增益选择提供了经验法则，具有重要的理论和工程实践意义。

**3. 主要技术与方法**

研究人员使用的主要方法包括：误差到误差传递函数方法，用于建立估计误差之间的动态关系并指导增益K的设计；能量到峰值引理，用于将L₂-to-L_∞性能指标转化为可处理的数学条件；新提出的定理，用于确保增益K存在且满足鲁棒性要求；线性矩阵不等式（LMI），用于数值求解最优增益。数值实验基于准周期谐波模型，并采用蒙特卡洛模拟或不同噪声条件下的仿真来对比各滤波器性能。实验验证部分使用了来自污染严重城市区域的空气质量监测数据，该数据包含了真实的脉冲扰动样本。

**4. 研究结果**

数值比较结果表明，在准周期谐波模型下，L₂-to-L_∞滤波器相较于H_∞、UFIR和卡尔曼滤波器，在脉冲扰动条件下具有最小的峰值误差。特别是在均方误差和鲁棒性指标上，L₂-to-L_∞滤波器虽然不一定在稳态精度上最优，但其对脉冲扰动的抑制能力显著更强，即在最坏情况下的误差幅度被压缩到最低。

实验验证结果进一步证实了数值结论。在空气质量监测应用中，传感器数据受到突发性污染事件（如工厂排放、交通高峰）的扰动，L₂-to-L_∞滤波器在追踪污染物浓度变化时，其峰值估计误差明显小于其他三种滤波器。这表明该滤波器能够从有限能量扰动中有效限制输出峰值误差，从而提供更可靠的估计。

此外，研究还发现了增益K的一个重要性质：L₂-to-L_∞滤波器的增益K数值上介于UFIR滤波器和卡尔曼滤波器的增益之间，这一规律与先前提出的经验法则一致。这一发现为实际应用中滤波器的参数选择提供了简单而有效的指导。

**5. 讨论与结论**

讨论部分指出，L₂-to-L_∞滤波器的性能优势来源于其对峰值误差的显式约束，而H_∞滤波器主要优化最坏情况下的能量增益，UFIR滤波器则依赖于有限冲激响应结构，卡尔曼滤波器在非高斯扰动下缺乏鲁棒性。本文提出的滤波器通过将能量到峰值增益最小化，巧妙地平衡了稳态精度和瞬态鲁棒性。

研究结论可总结为：对于基于后向欧拉法的受扰离散时间状态空间模型，所设计的递归L₂-to-L_∞滤波器能够有效抑制脉冲扰动引起的峰值误差。该滤波器的增益K介于UFIR和卡尔曼滤波器之间，并在数值仿真和空气质量监测实验中都表现出最小的峰值误差。这一结果证明了L₂-to-L_∞滤波作为一种鲁棒状态估计工具在实际工程中的适用性，尤其适用于存在强脉冲干扰的监测与控制场景。