5-3维纳滤波与卡尔曼滤波--卡尔曼滤波课题.ppt

§6.4 离散卡尔曼滤波器 四、一步递推法模型 二步求得估计值 用新息乘以一个增益矩阵 代替w(n)对数据进行估计， 一步递推法模型 K(n) Z-1 A(n) C(n)T - 最佳估计为 §6.4 离散卡尔曼滤波器 四、一步递推法模型 二步求得估计值 对于最佳估计有： ---⑤ ---⑥ ---④ §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 状态方程： 观测方程： X(n)的最优估计是： §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 1.初始值：假设给定了x(0)的一个估计 ，相应于这个估计的误差协方差矩阵 。 2. 滤波器的推导：先用x(0)预测x(1|0)。 当观测数据y(1)到来时(加入新息后)，修正x(1|0)为x(1)，使x(1)是x(1)的最佳估计。采用使均方误差最小的估计方法，并得到误差协方差矩阵。 3. 假设给定了 ,求 §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 预测n时刻值 状态方程 预测误差 4. 预测n时刻信号值 §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 预测n时刻值观测值 观测方程 4. 预测n时刻信号值 5. 新的观测值到来时,修正预测值,得到n时刻的估计。 n时刻信号估计值是预测值与观测值的线性组合。 K’(n)与K(n)的求解通过，使误差为零，均方误差最小得到。 §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 估计误差 5. 修正： 对上式的估计误差取统计平均，且令其为0，得 §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 估计误差 6. 求增益矩阵 均方误差 求K(n)，使P(n)最小。 §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 6. 求增益矩阵 定义： §6.4 离散卡尔曼滤波器 五、卡尔曼滤波器的推导 7. 最小均方误差 所以 总结：离散卡尔曼滤波 已知条件：状态方程 x(n)=A(n)x(n?1)+w(n) 观测方程 y(n)=C(n)x(n)+v(n) 初始化： =E{x(0)}, P(0|0)=E{x(0)xH(0)} 递归估计算法：对n=1,2,…, 计算 1. 2. 3. 4. 5. 第六章 习题—离散卡尔曼滤波 例1：设x(n)是如下产生的AR(1)过程： 其中w(n)是零均值单位方差白噪声。设y(n)是其含噪观测值，即y(n)=x(n)+v(n)，其中v(n)是与w(n)不相关的单位方差白噪声。现已知道由y(n)估计x(n)的因果维纳滤波器的形式为： 试求使均方误差 最小化的并用a(1)和b(0)所表示的K值。 第六章 习题—离散卡尔曼滤波 解: 这时的A(n)=a, C(n)=1, ，y(n)=x(n)+v(n)，v(n)是与w(n)是互不相关的零均值单位方差白噪声。由y(n)估计x(n)的因果维纳滤波器的形式为： ，均方误差 最小的并用a(1)和b(0)所表示的K值。 状态估计方程为: 观测方程为: 初始值: 第六章 习题—离散卡尔曼滤波 解: ，y(n)=x(n)+v(n)，v(n)是与w(n)是互不相关的零均值单位方差白噪声。由y(n)估计x(n)的因果维纳滤波器的形式为： ，均方误差 最小的并用a(1)和b(0)所表示的K值。 假设 a=0.5, b=0.5,则 第六章 习题—离散卡尔曼滤波 解: ，y(n)=x(n)+v(n)，v(n)是与w(n)是互不相关的零均值单位方差白噪声。由y(n)估计x(n)的因果维纳滤波器的形式为：