数字信号处理第2章分析报告.ppt

2.5.4 发散问题及其抑制 从理论上讲，卡尔曼滤波的递推算法可以无限地继续下去。 然而在实际问题中的某些条件下，可能产生发散问题。也就是说， 实际应用中发现估计误差大大地超过了理论误差的预测值， 而且误差不但不减小，反而越来越大，即不收敛。  　　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，带来的后果是有可能改变某些矩阵的性质， 引起误差矩阵失去正定性和对称性。如果均方误差阵受到扰动而离开稳定解，只要它没有失去正定性，那么仍可能返回稳定解。 　　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。具体的分析参见文献［16］。  　　另一种类型的发散问题是由于待估计过程模型的不精确引起的。人们在设计卡尔曼滤波时，认为分析过程是按某一规律发展的，但实际上是按另一规律演变的。如假定待分析过程的模型是一随机数，而实际过程是一个随机斜面，这样滤波器将连续地试着用错误曲线去拟合观测数据，结果导致发散。 　　当选择系统模型不准确时，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８模型输入噪声方差，用扩大了的系统噪声来补偿模型误差，抑制模型不准确所造成的发散现象，也是一种常见的策略，常用的方法有伪随机噪声法等。  　　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。 也就是说，Pk仅有其中的三项不为零， 化简成 (2.5.21) 为了进一步化简Pk，推导未经误差校正的状态估计误差的均方值Pk′，由下面推导结果可以看出，Pk′是一对称矩阵，满足Pk′=(Pk′)T。 (2.5.22) 将(2.5.22)式代入(2.5.21)式，即把Pk′代入Pk, (2.5.23) 其中, 是正定阵，记 (2.5.24) 令 (2.5.25) 将上式代入（2.5.23）式，得 (2.5.26) 将(2.5.26)式后三项配对 (2.5.27) 第二项和第三项均与Hk无关，第一项为一半正定阵，因此使Pk最小的Hk应满足 (2.5.28) (2.5.29) 将Hopt代入Pk，得到最小均方误差阵 将(2.5.7)、 (2.5.22)、 (2.5.29)式和(2.5.30)式联立， 得到一组卡尔曼递推公式 (2.5.30) (2.5.31a) (2.5.31b) (2.5.31c) (2.5.31d) 假设初始条件Ak,Ck,Qk,Rk,yk,xk-1, Pk-1已知，其中x0=E［x0］, P0=var［x0］, 那么，递推流程见图2.5.2。 ^ ^ 图 2.5.2 卡尔曼滤波递推流程 例2.5.1 已知 信号与噪声不相关，yk=xk+vk,求卡尔曼信号模型中的Ak和Ck。 解 由yk=xk+vk知道，Ck=1。 对Sxx(z)进行谱分解，确定x(n)的信号模型B(z)，从而确定Ak。 根据Sxx(z) =σ2ωB(z)B(z-1)，得出 上式与卡尔曼状态方程相比，不同之处在于输入信号ω(n)的时间不同，因此将Sxx(z)改写为 再对Sxx(z)进行谱分解，得到 (解毕) 卡尔曼滤波和维纳滤波都是采用均方误差最小的准则来实现信号滤波的，但维纳滤波是在信号进入了稳态后的分析， 卡尔曼滤波是从初始状态采用递推的方法进行滤波。对于平稳随机信号，当过渡过程结束以后，卡尔曼滤波与维纳滤波的结果间存在什么关系呢? 下面举一例说明。 例2.5.2 　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 (1) 由x(n)功率谱及量测方程，确定卡尔曼递推算法。 首先对Sxx(z)进行功率谱分解，由例2.5.1的结果，得到卡尔曼滤波的状态方程为 xk=0.8xk-1+ωk-1,确定Ak=0.8 由量测方程yk=xk+vk, 确定Ck=1， 将参数矩阵Ak,Ck,Rk代入卡尔曼递推公式（2.5.30），得到 (2.5.32a) (2.5.32b