维纳滤波和卡尔曼滤.ppt

一、自发电位模型（EEG）和诱发电位（EP）模型的建立 如图9-4所示，EEG信号通过用AR模型建立，激励是白噪声，EP信号的激励是单位脉冲序列。 图7-14 EEG和EP模型 该模型用等式表示如下： 阶AR模型 d表示从该时刻开始有单位脉冲刺激。从图7-14 知道，观测信号是EEG和EP的线性相加，用 表示第i次刺激后测量的信号，对M次测量平均得： 叠加平均后的信号长度为N。利用先验知识建立好图 7-14的模型。假设单次诱发信号和平均诱发信号的关 系是延时和幅度变化但波形一致的情况，即： 二、卡尔曼状态方程和量测方程的建立 卡尔曼状态方程和量测方程的建立如下： 其中X表示状态变量，包括诱发信号、单位脉冲信号、自发信号，长m＋p＋q＋1。 。 A＝ 是系统矩阵，其中 其它的元素 。输入矩阵为： 是噪声矩阵，其中的元素为 ，其余元素为零。 是噪声输入向量，包括EP 是测量信号， 是输出矩阵， 是测量噪声。 模型的误差、输入EEG模型的噪声以及其它引入的 噪声。 有了上述方程后就可以利用卡尔曼滤波公式对 进行估计，由于它包含多种状态，诱发信号和它的 关系为： ，自发信号和估计值的关系 ，其中k＝min（m，p）。 为： 设计好了卡尔曼滤波器后对数据处理的结果如图 9-15所示。 图9-15 从测量信号中估计诱发和自发信号 刺激从0时刻开始，图7-5的（a）-（c）中实线（ ）表示实际测量的信号，点线（ ）是估计的EP信号，点划线（ ）是估计的EEG信号。（d）是用来对比的320次刺激的叠加信号。用卡尔曼滤波的方法把叠加的自发脑电信号和诱发脑电信号分别估计出来了，图中的前三个EP估计和最后一个叠加信号比较，效果明显较好。 【作业9】 【9-1】已知图9-1中 且 与 统计独立，其中 的自相关序列为 ， 是方差为1的单位白噪声， 试设计一个N=3维纳滤波器来估计 ，并求最小均方误差。 【作业9-2】 写出卡尔曼滤波的算法5条公式及公式中各项的意义。 第三节卡尔曼滤波的信号模型（Signal Model of Kalman Filtering） 通过前面几节内容的学习，我们知道维纳滤波是根据当前 和过去全部的观测值 来估计信号的当前值 ，它的解形式是以均方误差最小为原则下的系统的传递函数 或单位脉冲响应 。 卡尔曼滤波不需要过去全部的观测, 它是根据前一个估计值 和最近一个观测值 来估计信号的当前 推方法进行估计的，因而卡尔曼滤波对信号的平稳性 和时不变性不做要求。我们利用维纳滤波的模型引入 到卡尔曼滤波的信号模型。 ，它是用状态方程和递 一、状态方程和量测方程 要给出卡尔曼滤波的信号模型，先来讨论状态方程和量测方程。图9-11是维纳滤波的模型，信号 可以认为是由白噪声 激励一个线性系统 的响应，假设响应和激励的时域关系可以用下式表示： (9-52) 上式也就是一阶AR模型。在卡尔曼滤波中信号 被称为是状态变量，用矢量的 形式表示为 ，在k时刻的状态用 表示， 在k－1时刻的状态用 表示。 图9-11 维纳滤波的信号模型和观测信号模型 激励信号 也用矢量表示为 ，激励和响应 之间的关系用传递矩阵 来表 示，它是由系统的 有一定关系。有了这些假设后 结构确定的，与 我们给出状态方程： (9-53) 上式表示的含义就是在k时刻的状态 可以由它的前一个时刻的状态 来求得，即认为k－1时刻以前的各状态都已记忆在 状态 中了 图9-11 维纳滤波的信号模型和观测信号模型 卡尔曼滤波是根据系统的量测数据（即观测数据 ）对系统的运动进行估计的，所以除了状态方程 之外，还需要量测方程。还是从维纳滤波的观测 信号模型入手，图9-11的右图，观测数据和信号 的关系为： ， 一般是均值为零的高斯白噪声，卡尔曼滤波中 ，量测矢量 与状态矢量 的关系为 (9-54) 上式和维纳滤波的 概念上是一致的，也就是说卡尔曼滤波的一维信 号模型和维纳滤波的信号模型是一致的。 把式(9-54)推广就得到更普遍的多维量测方程 (9-55) 上式中的 称为量测矩阵，它的引入原因是， 的维数不一定与状态矢量 的维数相同，因为我们不一定能观测到所有需要的 状态参数 量测矢量 假如 是 的矢量， 是 的矢量， 就是 的矩阵， 是 的矢量。 二、信号模型