UKF滤波.docVIP

UKF滤波 UKF滤波，仍然采用高斯分布代替状态量的分布，不同的是，通过特别挑选的样本点来表示状态量。这些样本点完全可以表示出GRV（高斯随机变量）的均值和方差。即使经过非线性变换（任何非线性变换）后，也能逼近变换后的均值和方差，逼近精度可以达到二阶泰勒展开后的精度。下面开始介绍UT变换。 UT变换：UT变换是计算随机变量经过非线性变换后的统计特征的一种方法。考虑非线性函数：，记的均值和方差为。现在需要计算的统计特性，即。可以采用下面的方法，构造一个矩阵，矩阵中包含个simga向量： 其中：——为尺度参数； ——确定sigma点在周围的分布范围，； ——尺度参数，其值通常为 ——分布合作参数，分布若为高斯分布，则为最优值。 ——为均方根矩阵的第i列向量。（矩阵均方根值可以通过进行柯西因式分解得到） 构造的样本后，则对应于的每个样本点，可以计算对应的样本： 通过样本，可以计算 其中，权重系数可以由下式确定： UT变换不同于蒙特卡洛法，蒙特卡洛法需要产生大量的样本点，而UT变换不需要。UT变换计算非线性函数的统计特性，对于输入为高斯输入的非线性系统，计算精度至少为3阶，对于输入不是高斯输入的非线性系统，计算精度至少可以达到2阶，如果适当选择 的值，计算精度可以达到3阶或以上。 UKF滤波过程：将UT变换直接扩展到式（14）的迭代估计中，状态量重新定义为 ，通过选择合适的sigma点，构造扩展后的状态量的sigma矩阵。UKF方程如表2所示 。注意，UKF的所有计算过程，无需计算约当矩阵或汉斯矩阵，而且，UKF的计算复杂度与EKF相同。 上面的表示时间序列。 UKF执行变换：如果过程噪声和测量噪声只是单纯叠加在非线性系统的原状态方程和观测方程中，则UKF的计算复杂度可以大大简化。这种情况下，系统状态无需扩展，即不需要将噪声随机变量扩展为系统状态。这可以减少sigma点的维数和样本点个数。这种情况下，UKF计算过程如表3所示。计算复杂度为 ，与EKF相同。大部分计算量集中在 的计算。这取决于 ，也可以简化。比如，对于单变量时间序列，或者参数估计问题，计算复杂度可以减少至。 还可以有其它各种执行变换。比如，矩阵均方根的计算，也可以直接使用柯西因式分解得到，计算复杂度为。协方差矩阵可以通过迭代计算获取（迭代更新可以柯西因式分解），因此矩阵均方根计算复杂度可以减少至（ 为观测量的维数），附录B给出了有效的迭代计算矩阵均方根的方法。 UPF（unscented particle filter） UPF采样方法： 均匀采样。即每个样本点分配权重系数相同。如果采样点个数为，则所有样本点的权重系数全部为。 残差采样。 残差采样分两步进行。 第一步，子集个数根据式计算。每个 复制次； 第二步，SIR用于选择剩余样本点。， ，第二个样本集合， ，总的粒子集合个数为 。这个过程比SIB过程要单纯多了，样本方差也小。因此残差采样方法应用在所有的例子中 。 在 时刻，获得了N个粒子集合，其分布逼近后向分布。 粒子滤波算法 首先需要选择分布函数 ， 通常直接通过下式给定分布函数： 比如，对于一个高斯噪声直接外加在状态—空间方程的模型，前向转换概率为： 其它