卡尔曼滤波器解析.pptVIP

离散kalman滤波算法 状态方程 量测方程 统计特性E[wk]=0,E[vk]=0,cov[wk,vj],cov[vk,vj] cov[wk,vj]=0 初始条件E[x0],var[x0],cov[x0,wk]=0,cov[x0,vk]=0 递推公式 增益方程 均方误差 Kalman滤波算法在应用中的问题 1、模型误差和数值发散。Kalman滤波算法的关键是建立系统的状态模型。但实际很难精确描述，只能用近似模型替代。因为即使能得到精确的模型，也会因为模型太复杂，维数高与实时处理矛盾，近似简化后就会带来影响，严重时滤波结果发散。 2、实时要求。影响kalman算法的实时性主要是状态维数和增益矩阵的计算。常常是精度损失在允许条件下尽量减少维数，从而满足实时滤波的要求。 3、Kalman滤波在空间技术、工业过程控制与电子工程等领域得到了广泛应用。 化简上式，得到 1.36Pk+0.64Pk-1Pk=0.64Pk-1+0.36 要求的是稳态解，因此将Pk, Pk-1都用P∞代替, 得到 根据P∞，可以确定达到稳态后的卡尔曼滤波的状态方程: (2.5.33) (4) 用维纳滤波的方法分析。采用功率谱分解的方法，得到x(n)的时间序列信号模型的传输函数H(z): 上式说明x是一阶AR模型，对H(z)做Z反变换得到 (2.5.34) 比较（2.5.33）式和（2.5.34）式，可以看出卡尔曼滤波的稳态解与维纳解是相等的。  (解毕) 通过上面的例题，可以看出维纳滤波是已知前p个观测数据及信号与噪声的相关函数，通过建立模型的方法分析的。卡尔曼滤波要求已知前一个时刻的状态估计值x(k-1)和当前的观测值yk，由状态方程和量测方程递推得到结果。 维纳滤波的解以H(z)的形式给出，卡尔曼滤波是以状态变量的估计值给出解的形式。它们都采用均方误差最小的准则, 但卡尔曼滤波有一个过渡过程，其结果与维纳滤波不完全相同，但到达稳态后， 结果相同。 ^ 2.5.3 应用举例 下面举一个雷达跟踪目标物的例子说明卡尔曼滤波的应用。 雷达跟踪目标的基本原理是通过发射脉冲，根据接收到的脉冲与发射脉冲的时间间隔，来确定目标物的距离和速度。 由于干扰的影响，接收到的脉冲波形变化很大，那么一次的测量结果可能存在很大的误差。为了减小误差，往往采取发射一串脉冲的方法进行测量。 　　我们知道，空间中的一点需要由径向距离和方位角来确定。 假设雷达跟踪的目标为飞行器，发射的脉冲时间间隔为T，在时间k，径向距离为R+ρ(k)，在时间k+1，距离为R+ρ(k+1)， 两者之间有秒的延时，因此T表示空间一次扫描的时间间隔。 平均距离用R表示，ρ(k)和ρ(k+1)表示对平均值的偏差。 假定偏差是统计随机的，均值为零, 那么可以写出距离方程 式中， 表示速度。用u表示加速度，则可以得到加速度方程 假定加速度u(k)是零均值的平稳白噪声，即满足 为了后面叙述方便，定义x(k)表示第k个雷达回波脉冲获得的目标距离，z(k)表示在第k个雷达脉冲进行数据处理之后的目标距离估计，z(k)表示在第k个雷达脉冲进行数据处理之后的目标速度估计。设定状态变量为x(k)，选择的状态变量有4个， 分别表示径向距离、径向速度、方位角和方位角速度，即 ? . （2.5.35） 根据状态变量的物理含义，得到以下方程： 式中，u1(k)和u2(k)表示在区间T径向速度和方向的变化。 将上式写成矩阵形式 由此得到卡尔曼滤波信号模型的状态方程 （2.5.36） 再来看量测方程， 距离和方向的估计值为 这里v1(k), v2(k)为观测偏差，将上两式分别写成向量形式和矩阵形式: Z(k)=CX(k)+V(k) （2.5.37a） （2.5.37b） 观测噪声V(k)假定为高斯噪声，均值为0，方差为σρ2和σθ2 。  状态方程激励信号的协方差阵为 (2.5.38) 其中， ,为径向加速度在T时刻的方差； , 为角加速度在T时刻的方差。 量测方程的噪声协方差阵 (2.5.39) 为了简单起见，假定在各个方向，加速度服从均匀分布， 其概率密度函数 ，并将u的值限制在±M之间， 那么， 加速度的方差 根据误差信号协方差阵P(k)的定义 P(k)=E［e(k)eT(k)］ 可以计算出，单个信号的均方误差和两个信号的协方差矩阵分别为 根据接收到的相邻两个回波脉冲，可以测量出飞行器的距离z1(1)和z1(2)，方位角z2(1)和z2(2)。根据这四个数据，用(2.5.35)式计算状态变量 因此，k时刻的状态向量 可以写为 取k=2,将上式中的观