卡尔曼滤波器及其简matlab仿真..docVIP

卡尔曼滤波器及其简matlab仿真 卡尔曼滤波的起源 谈到信号的分析与处理，就离不开滤波两个字。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内，为了消除噪声，可以进行频域滤波。但在许多应用场合，需要直接进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但其所依据的理论，即针对随机信号的估计理论，是自成体系的。人们对于随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文A?New?Approach?to?Linear?Filtering?and?Prediction?Problems（线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。? 其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。? 对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 卡尔曼滤波不要求保存过去的测量数据，当新的数据到来时，根据新的数据和前一时刻的储值的估计，借助于系统本身的状态转移方程，按照一套递推公式，即可算出新的估值。卡尔曼递推算法大大减少了滤波装置的存储量和计算量，并且突破了平稳随机过程的限制，使卡尔曼滤波器适用于对时变信号的实时处理。 卡尔曼滤波的原理 卡尔曼滤波现时刻的最佳估计为在前一时刻的最佳估计的基础上根据现时刻的观测值作线性修正。卡尔曼滤波在数学上是一种线性最小方差统计估算方法，它是通过处理一系列带有误差的实际测量数据而得到物理参数的最佳估算。其实质要解决的问题是要寻找在最小均方误差下的估计值。它的特点是可以用递推的方法计算，其所需数据存储量较小，便于进行实时处理。具体来说，卡尔曼滤波就是要用预测方程和测量方程对系统状态进行估计。 设动态系统的状态方程和测量方程分别为： 上两式子中，是k时刻的系统状态，和是k-1时刻到k时刻的状态转移矩阵，是k时刻的测量值，是测量系统的参数，和分别表示过程和测量的噪声，他们被假设成高斯白噪声。如果被估计状态和观测量是满足上述第一式，系统过程噪声和观测噪声满足第二式的假设，k时刻的观测的估计可按下述方程求解。 预测： (1) 均方误差进一步预测： (2) 滤波增益矩阵： (3) 滤波估计方程： (4) 均方误差更新矩阵（K时刻的最优均方误差）： (5) 上述就是卡尔曼滤波器的5条基本公式，只有给定初值和，根据k时刻的观测值，就可以递推计算得k时刻的状态估计。 （1） k=1 （2） 其中, 动态噪声{}与量测噪声{}是互不相关的零均值白噪声序列，对任意k,j其基本统计性质为: E{} = 0 Cov(,)=E[]= E{} = 0 Cov(,)=E[]= Cov(,)=E[]=0 其中是克罗内克函数，即： 又设初始状态的统计特征为 E[x0]= Var x0 = E{(x0-)( x0-)T}=P0 且x0与{}，{}都不相关，即 Cov(,)=0 Cov(,)=0 在量测（k-1）的估计值，要推测k状态的状态值，因为E{} = 0，可定义为由k-1次量测值所估计值的一步预测合理数值，即 （3） 同样，考虑到E{} = 0，因而量测的期望值为也是合适的。 考虑到这两点以后利用第k次的量测数据来估计的递推形式，其应该为： （4） 这里的是一个待定的增益矩阵，其应使误差矩阵极小。 接下来推导误差方差公式。 定义 （5） （6） 其中“~”表示误差，式（5）表示先验（没有测量值）的误差，式（6）表示后验的误差（经测量值校正）。则，根据式（6），将式（4），式（5）带入，得 估计误差矩阵