中科院现代数字信号处理课件2.ppt

7.卡尔曼递推公式总结如下： 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 2.5.3 求 的卡尔曼滤波一步递推算法 卡尔曼滤波的特点： 采用递推的方式，不要求存储全部的观测数据，便于实时计算； Hk,Pk, Pk′与观测数据yk无关，可以事先计算好并存储； Pk与Qk，Rk是紧密相关的： Rk增大时，Hk变小；（量测噪声大时，增益应取小些，以便减弱量测噪声的影响） P0减小或Qk－1变小或两者都变小时， Pk′变小， Pk变小， Hk变小；（ P0减小说明初始估计较好， Qk－1变小表示状态转移的随机波动小，故新观测值对状态预测的校正影响减弱，增益应取小些） 例 x(t)是一个时不变的标量随机变量，y(t)=x(t)+v(t)是观测数据，其中v(t)为白噪声。若用Kalman滤波器自适应估计x(t)，试设计Kalman滤波器。 构造状态空间方程 设计x(t)的更新公式 例 　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，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 由此可以得到卡尔曼滤波的状态方程为： 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得到 另由题目可知， (2) 求出卡尔曼滤波的输出。由卡尔曼递推公式，以及 ,P0=var[x0]=1, 可得到Pk′,Hk,Pk及 （k表示迭代次数），迭代流程为： 表2.5.1 Kalman滤波迭代结果 (3) 求出卡尔曼滤波的稳态解。 消去Pk′， 可以得到Pk的递推关系: 要求的是稳态解，因此将Pk, Pk-1都用P∞代替, 得到 根据P∞，可以确定达到稳态后的卡尔曼滤波的状态方程: (4) 用维纳滤波（因果维纳滤波）的方法分析。采用功率谱分解的方法，得到x(n)的时间序列信号模型的传输函数H(z): 上式说明x是一阶AR模型，对H(z)做Z反变换得到 比较可以看出卡尔曼滤波的稳态解与维纳解是相等的。  维纳滤波： 维纳滤波中则采用物理意义较为间接的频率域语言； 根据全部过去的和当前的观察数据来估计信号的当前值； 解是以均方误差最小条件下所得到的系统的传递函数H(z)或单位样本响应h(n)的形式给出的，或者说其信号模型是从信号与噪声的相关函数得到的； 适用于一维平稳随机信号。 卡尔曼滤波： 卡尔曼滤波中采用物理意义较为直观的时间域语言； 采用递推算法，用前一个估计值和最近一个观察数据(它不需要全部过去的观察数据)来估计信号的当前值； 解是以估计值(常常是状态变量值)形式给出的，或者说其信号模型是从状态方程和量测方程得到的； 适用于多维和非平稳随机信号。 4、应用举例-1 假设一运动目标在x，y平面上沿y=x方向运动，由于外界干扰，其运动轨迹发生了偏移。试采用Kalman滤波方法跟踪估计其运动状态。 受到噪声干扰的运动轨迹 解：定义其在x，y方向的运动状态分别为： x方向位移为x1k，速度为x3k； y方向位移为x2k，速度为x4k； 由此可得其状态方程为： 设其量测矩阵为： 由此可得量测方程为： Kalman滤波后的运动轨迹 Kalman滤波的跟踪性能 应用举例-2 假设雷达跟踪的目标为飞行器，发射的脉冲时间间隔为T，ρ(k)和ρ(k+1)表示对平均距离R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 式中， 表示速度。用u表示加速度，则可以得到加速度方程 假定加速度u(k)是零均值的平稳白噪声，即满足 为了后面叙述方便，定义x(k)表示第k个雷达回波脉冲获得的目标距离，z(k)表示在第k个雷达脉冲进行数据处理之后的目标距离估计，z(k)表示在第k个雷达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，即 ? . 根据状态变量的物理含义，得到以下方程： 式中，u1(k)和u2(k)表示在区间T径向速度和方向的变化。 由此可以得到状态方程为 再来看量测方程， 距离和方向的估计值为 将上两式分别写成向量形式和矩阵形式: 观测噪声V(k)假定为高斯噪声，均值为0，方差为σρ2和σθ2 。 Z(k)=CX(k)+V(k