维纳滤波和卡尔曼滤波.ppt

卡尔曼滤波器是基于状态空间模型的线性最优滤波器 卡尔曼(Kalman)滤波理论是维纳(Wiener)滤波理论的发展。其主要特点是： 1、其数学公式是用状态空间模型概念描述的； 2、它的解是递推计算的。 量测方程（观测方程） 状态方程（过程方程） Kalman滤波就是利用观测数据yk求状态向量xk的最佳估计 状态向量xk 是不可观测的，yk 是观测向量 例:已知 在k=0时开始观察yk, yk=xk+vk，用卡尔曼过滤的计算公式求xk，并与维纳过滤的方法进行比较。 解 将参数矩阵Ak,Ck,Qk,Rk代入卡尔曼递推公式，得 Kalman滤波迭代结果 求出卡尔曼滤波的稳态解 达到稳态后的卡尔曼滤波的递推方程: 用维纳滤波的方法分析 yk为观测数据，xk为期望信号 非因果维纳滤波器的系统函数为： 因果维纳滤波器的系统函数为： 可看出卡尔曼滤波的稳态解与维纳解是相等的 稳态后的卡尔曼滤波状态方程 通过上面的例题，可以看出维纳滤波是已知观测数据的自相关函数及观测数据与期望信号的互相关函数，通过建立模型的方法分析的。卡尔曼滤波要求已知前一个时刻的状态估计值 和当前时刻的观测值yk，由状态方程和量测方程递推得到结果。维纳滤波的解以H(z)的形式给出，卡尔曼滤波的解是以状态变量的估计值给出。它们都采用均方误差最小准则, 但卡尔曼滤波有一个过渡过程，在过渡期间其结果与维纳滤波不完全相同，但过渡结束达到稳态后，二者结果相同（当处理平稳信号时）。 以雷达跟踪目标的例子说明卡尔曼滤波的应用 雷达跟踪目标的基本原理是通过发射脉冲，根据接收到的脉冲与发射脉冲的时间间隔，来确定目标物的距离和速度。 由于干扰的影响，接收到的脉冲波形变化很大，单次的测量结果可能存在很大的误差。为了减小误差，往往采取发射一串脉冲的方法进行测量。 2.5.3 应用举例 空间目标(飞行器)的位置需要由径向距离和方位角来确定。发射的脉冲时间间隔为T，在k时刻，径向距离为R +ρ(k)，在k+1时刻，距离为R +ρ(k+1)，两者之间有T秒的延时，因此T表示空间一次扫描的时间间隔。平均距离用R表示，ρ(k)和ρ(k+1)表示对平均值的偏差。假定偏差是统计随机的，均值为零, 那么可以写出距离方程 表示速度，u表示加速度，则可得到加速度方程 假定加速度u(k)是零均值的平稳白噪声，即满足 定义x(k)表示第k个回波脉冲对应的真实目标距离，z(k)表示在第k个脉冲进行数据处理之后的目标距离估计（观测值）， 表示在第k个脉冲进行数据处理之后的目标速度估计。设定状态变量为X(k)，选择的状态变量有4个，分别表示径向距离、径向速度、方位角和方位角速度： ? 根据状态变量的物理含义，得到以下方程： u1(k)和u2(k)表示在区间T内径向速度和方位角速度的变化。将上式写成矩阵形式 由此得到卡尔曼滤波的信号模型的状态方程 量测方程：距离和方位角的估计值为 v1(k), v2(k)为观测噪声，写成向量形式和矩阵形式为 量测方程的噪声协方差阵为 观测噪声假定为高斯噪声，均值为0，方差为 和 其中， ,为径向距离在k时刻的观测噪声的方差 ,为方位角在k时刻观测噪声的方差。 其中， ,为径向加速度在k时刻的方差； ,为角加速度在k时刻的方差。 状态方程激励信号的协方差阵为 假定在各个方向，加速度服从均匀分布，并将u的值限制在±M之间,则其概率密度函数为 ，因此，加速度的方差为： 初始条件Ak，Ck，Qk，Rk，zk， ，Pk-1 必须确定初始状态Xk和状态均方误差矩阵Pk的初始值 根据接收到的相邻两个回波脉冲，可以测量出飞行器的距离z1(1)和z1(2)，方位角z2(1)和z2(2)。根据这四个数据，可计算出状态变量X(k)的初值 即状态向量X(k)的初始估计值为： 取k = 2,将上式中的观测信号z1(1), z1(2), z2(1), z2(2) 用z(k) = x(k) + v(k)代入，得到2时刻状态变量的估值 k = 2时的状态向量真值为 下面计算状态均方误差矩阵Pk的初始值 因此，均方误差矩阵是4×4阶矩阵，假设激励信号u和噪声源v是独立的，则均方误差矩阵为 可得到2时刻的状态变量的均方误差矩阵P2 初始条件Ak，Ck，Qk，Rk，zk， ，Pk-1 径向距离观测噪声方差 方位角观测噪声方差 径向加速度方差 角加速度方差 理论上讲，卡尔曼滤波的递推算法可以无限地继续下去。然而在实际中某些条件下，可能产生发散问题 导致发散的一个原因是舍入误差的影响以及递推算法使得舍入误差积累的影响。计算机存贮单元的长度有限，使得舍