Насчет метода (пояснения):
Известна некая номинальная модель {A0, B0}, но неизвестны статистические харакетристики случайных внешних возмущений
и шумов измерителя - D и ковариация v(k).
В процессе полета появляются параметрические возмущения deltaA и deltaB, которые нам неизвестны и которые мы идентифицируем с помощью алгоритма Гаусса-Ньютона например.
Ta - это та координатная добавка, которая получается в результате появления параметрических возмущений deltaA и deltaB.
То есть Z+Ta=Xsr, где Z - модель {A0, B0}, Xsr - матожидание параметрически возмущенного обекта.
Далее мы оцениваем Ta, подставляя в него оценки deltaA и deltaB.
А вот вычитая из наблюдения Y оценку С*Ta (где С- матрица наблюдения), получаем некий новый виртуальный объект
вида
S(k)=A0*S(k-1)+B0*u(k-1)+W,
Y0(k)=C*S(k)+v(k),
где W - новый случайный процесс, представляющий собой взвешенную сумму двух нормальных б.ш., где одна из весовых матриц - deltaA.
Y0(k)=Y(k)-C*Ta
Таким образом мы провели виртуальную (чиста в БЦВМ) параметрическую компенсацию объекта, и относительно параметрических возмущений объект (виртуально) инвариантен.
Но дело в том, что в нем неизвестна ковариационная матрица процесса W и по прежнему неизвестна ковариационная матрица
для v. И тут нужен адаптивный фильтр вида:
So(k)=A0*So(k-1)+B0*u(k-1)+K(k)*(Y0(k)-C*(A0*So(k-1)+B0*u(k-1))),
который, как видно, заточен на модель {A0, B0} в отсутсвие параметрических возмущений (мы их компенсируем).
So - оценка S