kalman滤波.docxVIP

9、Kalman滤波直观推导 Kalman滤波实质是线性最小方差估计 随机线性离散系统方程为 过程噪声和观测噪声的统计特性，假设满足如下条件 设k时刻得到k次观测值，且找到了的一个最优线性估计，即是的线性函数。 (1)k时刻系统状态的预测估计值 (2)k时刻系统观测值的预测估计值 (3)获得k时刻观测值，观测值与预测估计之间误差 造成误差的原因为预测估计和观测值可能都存在误差。 (4)修正k时刻状态的预测估计值，为滤波增益矩阵 (5)获取k时刻观测值前后对的估计误差分别为 (6)根据最优滤波方差阵求最优滤波增益矩阵。 注： 求最优增益。右端同时加上和减去 令满足最小，所以 (6)正交定理求最优滤波增益矩阵。注意：之间正交。 (7)求一步预测误差方差阵。注意：相互正交。 10、Kalman滤波总结 (1)计算步骤 第1步：初始化. 第2步：计算一步状态一步预测值 第3步：计算一步预测误差方差阵 第4步：计算最优滤波增益矩阵 第5步：获得k时刻状态最优估计值 第6步：计算最优滤波方差阵 第7步：第5步返回第2步，第6步返回第3步。 (2)Kalman滤波算法特点 预测误差方差阵只与初始化、系统噪声方差阵有关。 增益矩阵只与初始化、系统噪声方差阵、测量噪声方差阵有关。增加时，增益矩阵减小。因为如果测量噪声增大，那么滤波增益就应该取小些（因为这时新信息里 的误差比较大），以减弱观测噪声对滤波值的影响。 如果变小，也变小，则一步预测方差阵变小，那么最优滤波方差阵也变小，从而增益矩阵减小。因为变小，表示初始估计较好，变小，表示系统噪声较小，于是增益矩阵也应小些以便给予较小的修正。 所以，增益矩阵与称正比，与称反比。 11、Kalman滤波算法用于数据融合 联合Kalman滤波器设计的基本思乡思先分散处理、再全局融合，即在诸多非相似子系统中选择一个信息全面、输出速率高、可靠性绝对保证的子系统作为公共参考系统，与其他子系统两两结合形成若干字滤波器。各子滤波器并行运行，获得建立在子滤波器局部量测基础上的局部最优估计，这些局部最优估计在主滤波器内按照融合算法合成，从而获得建立在所有量测基础上的全局估计。Kalman方法是信息融合中进行位置估计的有效方法。 系统描述：考虑N个传感器以相同采样速率对系统进行观测。系统状态方程和量测方程为： 上式含义：N个传感器同时对系统状态进行观测，通过融合N个量测信息获得系统状态。 Kalman滤波器有两种途径：集中式滤波和分散化滤波。 (1)集中式滤波 A、集中式扩维融合（集中融合） 将所有传感器量测写成扩围向量的形式，即 扩维后的观测方程 定理：已知k时刻的状态估计及其误差协方差矩阵，则集中式扩维融合得到的k+1时刻的状态估计及其误差协方差阵为 B、测量值加权融合（集中融合） 定理：当所有传感器量测具有相同的测量维数时，利用测量值加权融合思想可得如下整体量测方程： C、局部估计加权融合（分布式融合） 见下文“12、各子滤波器估计不相关条件下联邦Kalman滤波”。 12、各子滤波器估计不相关条件下联邦Kalman滤波 假设各子滤波器的估计不相关，首先以两个局部滤波器N=2的情况加以考虑。设局部状态估计为，相应的估计误差方差为。考虑融合后的全局状态估计为局部状态估计的线性组合，即 其中是待定的加权阵。全局最优估计应满足一下两个条件： (1)若局部状态估计为无偏估计，则也应该是无偏估计，即 均为X的无偏估计，所以， 所以 (2) 的估计误差方差阵最小，即 注： 可以证明 若不相关时 定理 若有N个局部状态估计和响应的估计误差方差矩阵，且各局部估计互补相关，即，则全局最优估计可表示为 13、矩阵迹求导公式 ,,,B为对称矩阵。 14、线性离散控制系统基础知识 连续信号和脉冲序列之间要用采样器；脉冲序列和连续信号之间要用保持器。 Z变换位移定理： 离散系统数学模型： 离散系统将输入序列变换为输出序列的一种变换关系。记为 线性定常线性离散系统：输入输出关系不随时间而改变的线性离散系统。 差分模型：对于一般的线性定常离散系统，k时刻的输出，不但与k时刻的输入有关，而且与k时刻以前的输入，…有关，同时还与k时刻以前的输出，…有关。这种关系一般可以用下列n阶后向差分方程来描述： 线性定常系统也可以用n阶前向差分方程来描述 差分方程解法：迭代法、z变换法。 脉冲传递函数：零初始条件下求解脉冲传递函数。 z变换得： 表示一个延迟环节。 零阶保持器时开环脉冲传递函数： 15、线性系统状态空间表示基础知识 16、参数估计基础知识 (1)最小方差估计 要求误差的方差为最小，这种估计方法需要知道被估计随机变量x的概率密度函数p(x)和数学期望E(x)=mx。估计误差的方差为最小。 注意：在误差的方差为最小时x变成了mx。所以结果中没有x。