第7章卡尔曼滤波.pptVIP

UESTC 何子述 第7章 卡尔曼滤波 7.6.1 卡尔曼滤波在维纳滤波中的应用 在维纳滤波中，由维纳-霍夫方程可知，均方误差 最小意义下的最优权值满足 下面将采用卡尔曼滤波算法求解维纳滤波的最优 权值。当输入信号与期望信号均平稳时，最优权值为 一个常值向量，因此 (7.6.1) 此时，最优滤波误差可表示为 其中 因此 或 (7.6.2) 此时，若将式（7.6.1）和式（7.6.2）分别作为系统 的状态方程和观测方程，就可以采用卡尔曼滤波算法求 得最优加权向量，以实现维纳滤波。 其中，状态向量为 ，状态转移矩阵为单位矩阵， 状态噪声为零序列，观测矩阵为 ，观测噪声为 ，观测值为 。给定状态向量的初始统计特性后，就 可以对最优加权向量进行递推求解。 例7.1 设 序列由一个二阶AR模型 产生，其中， 为零均值的高斯白噪声过程，噪声方 差为 。图7.6.1为以该序列作为输入的二阶 线性预测模型，试用卡尔曼滤波算法估计该模型中的 最优权值。 图7.6.1 二阶线性预测模型 解：为采用卡尔曼滤波算法，首先需要建立系统的状 态方程和观测方程。 时刻的最优权值向量为 状态转移矩阵为 系统状态方程的各参数分别为 状态向量： 状态转移矩阵： 系统状态噪声： 系统状态方程为 系统观测方程的各参数分别为 系统观测方程为 观测向量： 观测矩阵： 观测噪声： 仿真中 权向量的初始值为 估计误差相关矩阵的初始值设为 观测噪声 的方差为0.005 即 下面分别采用卡尔曼滤波算法和LMS算法求解该 预测模型的最优权值仿真的平均结果。 图7.6.2(a) 卡尔曼算法和LMS算法的权值变化曲线 图7.6.2(b) 卡尔曼算法和LMS算法的均方误差变化曲线 7.6.2 卡尔曼滤波在雷达目标跟踪中的应用 当卡尔曼滤波应用于目标跟踪时，用系统状态方 程来描述目标的运动特性，其中的状态向量通常由目 标的位置、速度和（或）加速度参量构成；观测方程 中的观测向量则由雷达测得的目标运动参量构成。 例7.2 假设被跟踪目标在二维空间中运动，它从初始 位置 出发，在 和 方向分别以 和 的速度进行匀速直线运动。观测噪声的统计特 性由 和 方向的观测噪声标准差描述，分别为 。试用卡尔曼滤波算法实现对该目标的跟踪， 给出目标预测和估计的位置和速度方差。其中的系统 过程噪声假设为零均值的高斯白噪声，自相关矩阵取为 解： 将目标 时刻在两方向的位置分别记为 和 速度分别记为 和 对于匀速直线运动目标，在没有任何扰动的情况下，满足 若将两方向的干扰分别记为 和 运动对于匀速直线运动目标，各方向的干扰可视为相应 ，对于匀速直线 方向的加速度。因此 (7.6.3) (7.6.4) (7.6.5) (7.6.6) 根据式(7.6.2) ~ 式(7.6.6) ，可以获得如下系统状态方程 (7.6.7) 其中各参数分别为 状态向量： 状态转移矩阵： 系统过程噪声输入矩阵： 系统过程噪声： 观测方程为 其中各参数分别为 观测向量： 观测矩阵： 由上节所述新息过程的统计特性可知 由此可得 其中 为新息过程的 自相关矩阵。 式(7.3.3)表明： (7.3.3) 仅与 时刻的新息 有关。 另外，根据式(7.3.1)有： 令 ，可得 进一步将上式表示为 (7.3.6) 其中 式(7.3.6)表明，基于观测向量集合 对系统状态 的估计， 可在 的基础上， 利用新息向量 进行修正。 其中，矩阵 称为卡尔曼增益（Kalman gain） 下面将讨论增益矩阵 和新息过程自相关矩阵 的计算方法。 (7.3.7) 7.3.2 新息过程的自相关矩阵 设观测序列的新息过程向量为 根据观测方程式(7.2.13)，预测值间也应满足观测方程 (7.3.8) (7.3.9) 由于 所以 于是有 (7.3.11) 将上式代入式(7.3.8)可得 定义状态预测误差向量 则新息过程又可表示为 由于 与 相互独立 ，于是 为 (7.3.12) (7.3.13) (7.3.14) (7.3.15) 定义一步状态预测误差自相关矩阵 为 则 又可表示为 上式给出了新息过程自相关矩阵的表示式，但矩阵 待确定。 (7.3.16) (7.3.17) 7.3.3 卡尔曼滤波增益矩阵 上节给出的卡尔曼增益矩阵含有未知的系统状态 ， 因而并不能直接使用，下面来导 由式(7.3.14)，有： 的求解方法。 (7.3.18) 又由式(7.3.13)，可得： (7.3.19) 因此有 于是 此外，由正交原理可知