卡尔曼滤波器设计剖析.pptxVIP

基于labview的卡尔曼滤波器设计 姓 名 王 超 星 专 业 机 械 工程   导师 王 殿 君 一、卡尔曼滤波产生的背景 二、卡尔曼滤波器的基本思想 三、卡尔曼滤波器的原理 四、直流信号的卡尔曼滤波器设计 一、卡尔曼滤波产生的背景 在滤波器发展的过程中，早期的维纳滤波器是是由数学家维纳（Rorbert Wiener）提出的一种以最小平方为最优准则的线性滤波器。利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法。维纳滤波器的不足之处为：第一，必须利用全部的历史观测数据，存储量和计算量都很大；第二，当获得新的观测数据时，没有合适的递推算法，必须进行重新计算；第三，很难用于非平稳过程的滤波。为了克服维纳滤波器的上述不足之处卡尔曼等人在维纳滤波的基础上，于60年代初提出了一种递推滤波方法，称为卡尔曼滤波。 二、卡尔曼滤波器的基本思想 卡尔曼滤波器是一种由卡尔曼（Kalman）提出的用于时变线性系统的递归滤波器。这个系统可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。用前一个估计值和最近一个观察数据来估计信号的当前值，是用状态方程和递推的方法进行估计的，其解是以估计值形式给出。它的系统参数、系统控制量、估计的误差值、系统过程的协方差和卡尔曼增益等都是随着时间变化而变化的。通过递推公式不断更新以上各种变量的值。。 首先引入一个随机离散系统模型 预测值：X(k)=A X(k-1)+B U(k)+W(k) 测量值Z(k)=H X(k)+V(k) 式中：X(k) 是k时刻的系统状态。 U(k) 是k时刻对系统的控制量。 A和B 是系统参数，对于多模型系统，他们为矩阵。 Z(k) 是k时刻的测量值。 H 是测量系统的参数，对于多测量系统，H为矩阵。 W(k)和V(k) 分别表示过程和测量的噪声。假设为 为高斯白噪音，对应协方差分别为Q、R 三、卡尔曼滤波器的原理 卡尔曼滤波包括两个阶段：预测和更新。 预测阶段： 滤波器使用上一状态的估计，做出对当前状态的估计。 更新阶段： 滤波器利用对当前状态的观测值优化在预测阶段获得预测值，以获得一个更精确的新估计值。 下面来介绍卡尔曼算法的五条公式 现在我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态： X(k|k-1)=A X(k-1|k-1)+B U(k) ……… (1) 式(1)中：X(k|k-1)是利用上一状态预测的结果。 X(k-1|k-1)是上一状态最优的结果。 U(k)为现在状态的控制量，如果没有控制量，它可以为0 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance： P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2) 式(2)中：P(k|k-1)是X(k|k-1)对应的covariance。 P(k-1|k-1)是X(k-1|k-1)对应的covariance。 A’表示 A的转置矩阵。 Q是系统过程的covariance。 式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)： X(k|k)=X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1)) ……… (3) 其中Kg为卡尔曼增益(Kalman Gain)： Kg(k)= P(k|k-1) H’/(H P(k|k-1) H’+ R) ……… (4) 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance： P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5) 式（5）中：I 为1的矩阵，对于单模型单测量，I=1。 当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。根据这5个公式，可以很容易的实现