08_卡尔曼滤波概论.pptVIP

* * §2.4因果IIR维纳滤波器的设计与计算 2.4.1 两种随机信号模型 1.x(n)的信号模型 由白噪声 (方差 )激励线性时不变系统 ,输出 ,如图2.4.1所示.该模型表示为 (2.4.1) 其中, 为线性时不变系统的冲激响应序列. B(z) 图2.4.1 的信号模型 2.s(n)的信号模型与测量模型 由方差为 的白噪声 激励线性时不变系统 ,产生输出 , 如图2.4.2所示. 的模型方程为 2.4.1 两种随机信号模型 (2.4.2) A(z) s(n)信号模型 ? ? s(n)测量模型 图2.4.2 的信号模型与测量模型 上式含义可理解为: 时刻的信号 ,可利用前一时刻的数据 预测得到,如图2.4.3所示, 这表明 是由 激励一个一阶自回归过程而形成. ? z-1 a 图2.4.3 的信号模型表示为一阶自回归过程 2.4.1 两种随机信号模型 对式(2.4.2)取z变换, 得 则线性时不变系统的传输函数为 (2.4.3) 若 在传输或测量中引入衰减和加性噪声 ,得 (2.4.4) 上式称为 的测量模型.式中,a和c是模值小于1的常数. 下面根据以上信号模型和测量模型设计一个因果IIR维纳滤波器, 其输入数据为 , 输出最佳估计 . 2.4.2 因果IIR维纳滤波器的设计 2.4.2 因果IIR维纳滤波器的设计 1.功率谱计算 （1） 的自功率谱 假设白噪声 的方差为 , 即功率谱为 (2.4.5) 其自相关函数为 (2.4.6) 其中 根据谱分解定理, 的自功率谱为 2.4.2 因果IIR维纳滤波器的设计 将式(2.4.3)代入上式, 得 (2.4.7) （2） 与 的互功率谱 假设 与 , 均不相关, 即有 在上述条件下, 与 的互功率谱为 (2.4.8) （3） 的自功率谱 假设白噪声 的方差为R, 即自功率谱为 (2.4.9) 2.4.2 因果IIR维纳滤波器的设计 其自相关函数为 (2.4.10) 在 与 不相关情况下, 的自功率谱为 (2.4.11) 另一方面, 对 进行谱分解, 同时考虑式(2.4.11), 得 (2.4.12) 式中, 系数 . 2.待求因果IIR维纳滤波器的传输函数 由式(2.4.11)和式(2.4.12), 可求得系数 与参数 分别为 (2.4.13) 2.4.2 因果IIR维纳滤波器的设计 及 (2.4.14) 式中, P是下列代数方程(Ricatti方程)的正解: (2.4.15) 因果IIR维纳滤波器的传输函数为 (2.4.16) 其中, 维纳增益G: (2.4.17) G与f的关系为: (2.4.18) § 2.5卡尔曼(Kalman)滤波器 2.5.1 引言 1.标量卡尔曼滤波 根据前一个信号估计值和最近一个观察数据, 估计信号的当前值. 估计方法: 采用递推算法求解状态方程, 直接给出估计值. 2.矢量卡尔曼滤波 3.符号说明 标量卡尔曼滤波器的推广, 即根据观测数据, 同时估计若干个信号(如 个信号), 或估计一个高阶自回归过程, 如 阶自回归过程: 为使卡尔曼滤波的物理意义明确, 采用下列符号: ● ——代替 , 表示用 时刻及其以前所有 数据, 即 对所作的最佳线性估计; ● ——代替 ,表示用 时刻及其以前所有数据,即 对 所作的最佳线性估计. 2.5.2 标量卡尔曼滤波器 2.5.2 标量卡尔曼滤波器 1.卡尔曼滤波器标准形式 由因果IIR维纳滤波器的信号模型: 及测量模型: 已经得到因果IIR维纳滤波器的传输函数为: (2.5.1) 2.5.2 标量卡尔曼滤波器 相应的差分方程为： (2.5.2) 代入滤波器系数 , 得 (2.5.3) 上式就是因果IIR维纳滤波器的递推计算公式, 亦即卡尔曼滤波器的标准形式. 可见, 卡尔曼滤波器实际上是维纳滤波器的一种递推计算方法. 2.计算流程与物理意义 由式(2.5.3)可画出 的计算流程图, 如图2.5.1所示. （1）由估计值 预测信号值 ,输出最佳预测值 ： (2.5.4) 2.5.2 标量卡尔曼滤波器 修正预测值 求预测误差 ? z―1 ? ? ? ? 预测 预测 ? ? 图2.5.1 标量卡尔曼滤波器递推