第四章6节卡尔曼滤波.docVIP

4.5 卡尔曼滤波 1960年由Kalman和Bucy提出（空间技术的发展） 是线性最小均方误差滤波 把对信号的先验知识用信号的模型形式表示 时域状态变量法 递推形式的线性最小均方误差算法。 卡尔曼滤波建立在已知随机信号模型的基础上 ；它适用于时变非平稳随机序列。动态估计 4.5.1卡尔曼滤波的基本概念 一个实际的系统可用如下形式表示： 设向量非平稳序列和用下面的动态方程描述： （4—33） 是状态向量，是观测向量，是输入噪声，是观测噪声，是从时刻到时刻的状态转移阵。上述动态方程可由系统的机理推导得来或由实验数据辨识得到。现假设已知。 有如下假设： 1）和为零均值白噪声即： 其中对称半正定对称正定，均为已知。 2）和不相关即 3）初始状态是随机向量，且与、不相关，即 卡尔曼滤波：——状态估计 在已知动态方程（4—33）（状态和观测方程）和样本观测数据，，…情况下，求随机序列样本——状态的估计值。 由方程可看出： 若无观测噪声可直接由求得， 若无输入噪声可直接由推出。 但实际是，均不为零，所以不能用（4—33）方程求。 卡尔曼通过对称为一步预测观测误差——新息的修正加之最小均方误差调整准则很好地解决了带有噪声的状态估计问题。 现代控制理论中的状态观测器是一种最简单的估计算法。它只适用于定常系统。卡尔曼也适用于时变系统，而且由于充分利用了噪声的统计特性，精度也高很多。 卡尔曼的递推思想与新息：递推计算和新息是卡尔曼滤波的基本思想，请看如： 平均计算变成一种递推计算，大大减少了计算量，把估计看成是在基础上的修正，分析修正项它的作用： 的估计看成是在基础上进行修正。 的估计可理解为对次估计的预测。 修正项中称为一步观测误差，若一步预测误差为0，说明预测很准不必修正，否则修正。 是对修正的加权系数， 一步预测误差是第的测量的新信息，它提供了预测无法预测的信息。称为新息（Innovation）。 卡尔曼滤波器正是应用了上述新息的递推计算原则。 4.5.2卡尔曼滤波的新息递推： 卡尔曼滤波对现状态的估计采用的是：过去状态对现状态的预测，加上观测偏差的适当加权修正即： （4—34） 是基于次对次的预测估计。 （4—35） 所以 （4—36） 预测 +修正 =加权·新息 其中——修正加权称为增益矩阵，它决定着递推方向，质量。 如何确定是卡尔曼滤波器的核心。把建立成一种能够递推的结构形式是卡尔曼的独到之处！实时性能好！ 只要增益矩阵已知，就可以用（4—36）式递推地求得这一步的状态估计值。而的大小反映了对观测和新息的重视程度，直接影响到状态估计的准确性，是状态估计的关键。 确定的准则：最小均方误差准则。 （4—37） 即 （4—38） 其中表示方阵迹，即对角元之和。是状态估计的均方误差矩阵。 极小化J，即 ， （4—39） 求。 选择使J最小，得卡尔曼滤波器递推公式为： （4—40） （4—41） （4—42） （4—43） ，，和的计算与观测无关，只要条件容许，可以事先计算好，而实时滤波只要递推求状态估计即可。 卡尔曼滤波：是时域内不断地“预测——修正——递推”过程。 1）小说明预测较准，K也小减小修正，若在时刻输入噪声很小一步预测误差很小由 ，再由 既无须考虑观测量的修正，只用状态方程即可，这符合逻辑。 2）大说明预测不准，K较大，重视新息修正的作用，（加大实际观测与模型估计的修正作用）。 3）如果在时刻观测噪声很小（4—41） 再由（4—42） 既无须考虑状态方程，只要用观测方程直接计算即可，这也是很符合逻辑的结论。 可以证明卡尔曼滤波是无偏的状态估计 4.5.3卡尔曼滤波举例 举例：随机状态方程为： （例5-1） 其中 （例5-2） 这里输入噪声是平稳白噪声，而观测噪声是非平稳白噪声。所以即使在稳态时，观测也是一个非平稳序列。为简单起见，初始的状态估计误差的协方差阵设为对角阵，即 （例5-3） 求增益矩阵和具体的卡尔曼滤波递推公式。 解 状态方程中的各