第3章kalman滤波(第十九次课)辩析.ppt

* * 第三章 状态与信号的最优估计 ——经典Kalman滤波与时域Wiener滤波 * * 复习内容： （1）Kalman滤波器初值的选取 （2）Kalman一步平滑器 新课内容： （1）Kalman滤波器MATLAB实现 （2） 系统白噪声估值器 （3） 观测噪声估值器 （4）白噪声估值器MATLAB实现 § 3.4 Kalman 平滑器 考虑如下状态空间模型 假设1 和 是零均值、方差阵各位 和 的不相关 白噪声，即满足 其中 (3.3.2) (3.3.1) 假设2 不相关于 和 Kalman滤波问题：基于观测 ，求状态 的线性最小方差估值器 ，它极小化性能指 标为 对于 各称 为Kalman滤波器、预报 器、平滑器。 定理3.3.1 (Kalman滤波器) 系统(3.3.1)和(3.3.2)在假设1和假设2条件下，递推Kalman滤波器为 (3.3.3) (3.3.4) (3.3.5) (3.3.6) (3.3.7) (3.3.8) * * 定理3.4.1 系统(3.3.1)和(3.3.2)在假设1、2下，有最优固定点Kalman平滑器: 平滑增益: 平滑误差方差阵: * * 当N=1时,系统(3.3.1)和(3.3.2)在假设1、2下，有一步最优Kalman平滑器: 平滑增益: 平滑误差方差阵: n=2; Q=0.81;R=1; xjian(:,1)=zeros(n,1); p(:,:)=zeros(n); for i=1:Bushu-1 xxjian(:,i+1)=fai*xjian(:,i); e(:,i+1)=y(i+1)-H*xxjian(:,i+1); pp(:,n*(i-1)+1:n*i)=fai*p(:,n*(i-1)+1:n*i)*fai+ … gama*Q*gama; kf(:,i+1)=pp(:,n*(i-1)+1:n*i)*H‘*… inv(H*pp(:,n*(i-1)+1:n*i)*H+R); xjian(:,i+1)=xxjian(:,i+1)+kf(:,i+1)*e(:,i+1); p(:,n*i+1:n*(i+1))=[eye(n)-kf(:,i+1)*H]*pp(:,n*(i-1)+1:n*i); end * * * * 滤波增益 * * [定理3.5.1] 系统(3.3.1)和(3.3.2)在假设1、2下，有最优输入估值器 3.5 白噪声估值器 其中 由Kalman滤波器计算。 (3.5.1) (3.5.2) (3.5.3) (3.5.4) (3.5.5) (3.5.6) * * 注意 ，有 故有 (3.5.9) (3.5.10) 由递推射影公式有 (3.5.11) 证明：注意 (3.5.7) 因而由假设1、2有 (3.5.8) * * 因为 ，应用假设1、2引出 (3.5.14) 将它代入(3.5.11)，并应用(3.5.1)得(3.5.3)。 将(3.5.3)代入 的定义中，利用(3.5.14) 得(3.5.6)。 证毕。 另外，一步预报误差方程为 (3.5.12) * * [定理3.5.2] 系统(3.3.1)和(3.3.2)在假设1、2下，有最优输入白噪声递推平滑器 其中 (3.5.16) (3.5.17) (3.5.18) (3.5.15) * * [推论3.5.1] 在定理3.5.2条件下，有最优非递推输入白噪声平滑器 (3.5.25) 估值器增益为 (3.5.16) 且有误差方差阵 (3.5.17) (3.5.26) * * [定理3.5.3] 系统(3.3.1)和(3.3.2)在假设1、2下，最优观测白噪声估值器 (3.5.27) (3.5.28) 平滑增益为 (3.5.30) (3.5.29) (3.5.31) * * 且有误差方差阵 (3.5.32) (3.5.33) 其中定义 (3.5.34) [推论3.5.2] 在定理3.5.1条件下，有非递推最优观测白噪声平滑器 (3.5.35) 误差方差阵为 (3.5.36) * * [例3.5.1] 考虑随机系统 (3.5.43) (3.5.44) 仿真结果如图3.5.2所示，其中实线端点纵坐标代表真实值，圆点纵坐标代表平滑估值。 * * N=3; for i=1:Bushu+8 pusip(:,:,i)=fai*(eye(n)-kf(:,i)*H); Qe(:,:,i)=H*pp(:,n*(i-1)+1:n*i)*H+R; end for i=1:Bushu+5 M(1,i)=Q*gama*H*inv(Qe(:,:,i+1)); M(2,i)