chapter2_3.pptVIP

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 2.5 卡尔曼(Kalman)滤波 本节讨论的主要问题及方法 卡尔曼滤波的状态方程和量测方程 卡尔曼滤波的递推算法 1、本节讨论的主要问题及方法 讨论的主要问题：本节将主要讨论卡尔曼滤波的状态方程和量测方程，及其递推算法。 解决方法：利用状态方程和递推方法寻找最小均方误差下状态变量 的估计值 ，即 2、卡尔曼滤波的状态方程和量测方程 假设某系统k时刻的状态变量为xk，状态方程和量测方程（也称为输出方程）表示为 Ak为状态转移矩阵，描述系统状态由时间k-1的状态到时间k的状态之间的转移； Ck为量测矩阵，描述状态经其作用，变成可量测或可观测的； xk为状态向量，是不可观测的；yk为观测向量； wk为过程噪声；vk为量测噪声。 图 2.5.1 卡尔曼滤波器的信号模型 假设状态变量的增益矩阵A不随时间发生变化，wk,vk都是零均值白噪声，方差分别是Qk和Rk，并且初始状态x0与wk,vk都不相关，且噪声向量wk,vk也互不相关，即 其中 3、 卡尔曼滤波的递推算法 基本思想： 先不考虑输入信号ωk和观测噪声vk的影响，得到状态变量和输出信号（即观测数据）的估计值 和 再用输出信号的估计误差 加权后校正状态变量的估计值 ，使状态变量估计误差 的均方值最小。 当不考虑观测噪声和输入信号时，状态方程和量测方程为： 输出信号的估计误差为： 为了提高状态估计的质量，用输出信号的估计误差 来校正状态变量 其中，Hk为增益矩阵，实质是一加权矩阵。 校正后状态变量的估计误差及其均方值分别为： 未经校正的状态变量估计误差的均方值为： 卡尔曼滤波要求状态变量的估计误差的均方值Pk为最小， 因此卡尔曼滤波的关键就是要得到Pk与Hk的关系式，即通过选择合适的Hk,使Pk取得最小值。 递推步骤： 计算状态变量的估计值 ： 计算状态变量的估计误差 ： 由上式可以看出，状态变量的估计误差 由三部分组成， 可记为 其中 计算状态变量估计误差的均方值Pk ： 其中， 根据假设的条件，状态变量的增益矩阵A不随时间发生变化，起始时刻为0，则 xk-1仅依赖于x0,ω0, ω1,…,ωk-2,与ωk-1不相关，即 又 仅依赖于xk-1,vk-1，而与vk不相关，即 由此可知， 也就是说，Pk仅有其中的三项不为零， 化简成 计算未经误差校正的状态变量估计误差的均方值Pk′： 由上面推导结果可以看出，Pk′是一对称矩阵，满足Pk′=(Pk′)T。 把Pk′代入Pk, 计算增益矩阵Hk 分析上式，可以发现第一项和第三项均与Hk无关，第二项为一半正定阵，因此使Pk最小的Hk应满足 计算状态变量估计误差的最小均方误差矩阵 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）