数字信号处理_第二章.ppt

可看出卡尔曼滤波的稳态解与维纳解是相等的 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， ,为径向加速度在T时刻的方差； ,为角加速度在T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 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，使得舍入误差不可避免地存在，它相当于在状态方程和量测方程中又加入了噪声。舍入误差引起的发散现象可以采用双精度运算得以改善，但运算量要增加许多。目前多采用平方根法，即把递推公式中的均方误差阵P改用其平方根P1/2实现。 2.5.4 发散问题及其抑制 　　另一种类型的发散是由于待估计过程模型的不精确引起的。当模型不准确时，由于新观测值对估计值的修正作用下降，陈旧观测值的修正作用相对上升，是引发滤波发散的一个重要因素。因此逐渐减小陈旧观测值的权重，相应地增大新观测值的权重，是抑制这类发散的一个可行途径。常用的方法有衰减记忆法、限定记忆法、限定下界法等。另外，通过人为地增加模型输入噪声方差，用扩大了的系统噪声来补偿模型误差，也是一种常见的策略。 　　还存在第三种发散问题，它是由于系统不可观察引起的。所谓不可观察，是指系统有一个或几个状态变量是隐含的，现有的观测数据不能提供足够的信息来估计所有的状态变量。这种发散问题表现为估计值误差不稳定或者均方误差阵的主对角线上有一项或几项无限增长。 卡尔曼滤波还有一些变形，包括激励信号和观测噪声