统计信号处理实验三要点分析.docVIP

《统计信号处理》实验三 目的：掌握卡尔曼滤波滤波器的原理； 内容：用雷达跟踪目标，目标的运动可以看成是在径向和横向内的二维运动，其运动方程和观测方程分别为： 、和分别为径向距离、速度和观测值，而、和分别为横向距离、速度和观测值。和是状态噪声和是观测噪声均值都为0，呈高斯分布，互不相关。 T是雷达扫描一次的时间，此处设为.0秒。假设目标距离雷达约160Km左右，初速度设为300 m/s，并且在向雷达靠近初速度设为0 m/s这样它的径向速度波动大，而横向速度波动小，所以我们假设的方差为00m/s，的方差为m/s。鉴于雷达的观测误差，我们假设观测噪声和的方差和均为1.0Km。 ，，和的初始值不是最佳的，学生完全可自己修改以上参数，并观察计算结果的变化。 任务： 试用滤波法对信号进行处理，并通过计算机模拟对其跟踪过程进行验证； 试求其Kalman滤波方程，并通过计算机模拟对其跟踪过程进行验证； 假设目标在运动过程中发生了机动（速度在某个时刻突然发生了改变），试观测此时的滤波和Kalman滤波结果，并对结果进行解释。 要求： 1）设计仿真计算的Matlab程序，给出软件清单； 2）完成实验报告，给出实验结果，并对实验数据进行分析。 解题思路： 一、任务1：滤波 状态方程和输出方程： k时刻对k+1时刻的状态估计为： 根据恒增益滤波思想，二者按照一定比例叠加，得到恒增益滤波的滤波公式： 是一个4行2列的矩阵，需要自己推导。 本题中，, 距离新息： 速度新息： 按照新息修正的思想，对距离新息的加权系数取，对速度新息的加权系数取，直接对状态变量预测估值进行修正： 即求得。 二、任务2：Kalman滤波 我们要想完成计算，就必须知道A、C和Q、R，观测数据是必须提供的数据。A、C已经知道，现在寻找Q、R的确定值。 Q是状态噪声协方差矩阵： R是观测噪声协方差矩阵： 下一步就是确定初始值和，作为递推的初始数据。是预测误差协方差矩阵： 其中：， 所以： 在推导上式时，和是随机过程中不同时刻的两个随机变量，我们认为这两个随机变量统计独立，而且是平稳随机过程，其不同时刻的方差相同。两个时刻的时差T为雷达扫描一圈的时间。 这样我们就有了初始值和，可以开始进行递推计算，首先计算k＝3时的状态变量。 状态预测方程： 状态预测误差 协方差矩阵： 最佳增益方程： 滤波估值方程： 滤波估值误差 协方差方程： 然后计算k＝4时的状态变量，如此递推，波形估计结束。 三、任务3滤波器 自己建立仿真的、序列，控制好它们的方差Q（K）和R（K），并用于程序中。在Q（K）和R（K）改变的情况下，观测恒增益滤波的结果和卡尔曼滤波的结果，比较并解释。 滤波 取alpha=0.8，beta=0.2，滤波结果如下：（红色曲线代表滤波后的波形） 改变alpha、beta的取值，使alpha=0.6，beta=0.1，滤波结果如下： 从图中可以看出，滤波之后波形变得更平滑了，在观测信号尖峰的位置比较明显。而且适当减小alpha、β后滤波效果更好了。 Kalman滤波 滤波和kalman滤波的波形分别如下： 减小alpha，β后， 从图像中可以看出，当目标状态突变时，滤波和kalman滤波都能较好的跟踪目标机动，即具有自适应性，而卡尔曼滤波的自适应性更好。 程序清单： %alpha_beta滤波 alpha=0.8; beta=0.2; x0=[10000 300 0 0]; y0=[10000 0]; K=[alpha 0; beta 0; 0 alpha; 0 beta;]; C=[1 0 0 0; 0 0 1 0;]; A=[1 1 0 0; 0 1 0 0; 0 0 1 1; 0 0 0 1;]; X=zeros(4,100); Y=zeros(2,100); X(:,1)=x0; Y(:,1)=y0; wt=random(norm,0,sqrt(500),1,100); u1t=random(norm,0,sqrt(100),1,100); u2t=random(norm,0,sqrt(0.12),1,100); for i=1:99 v1t=300+u1t(1,i); v2t=u2t(1,i); Y(:,i+1)=[10000-v1t*i+wt(1,i) v2t*i+wt(1,i)] x1(:,i+1)=A*X(:,i); %x(k+1|k) temp1=C*x1(:,i+1); temp2(1,1)=Y(1,i+1)-temp1(1,1);