第3章kalman滤波1(第十四次课)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 * * 例3.1.1 船舶GPS导航定位问题 3.1 引言 例3.1.1 船舶GPS导航定位问题 假定船舶出港沿直线方向航行，以码头出发点为坐标原点，采样周期为 ， 表示船舶在采样时刻 的真实位置， 表示采样时刻处GPS定位的观测值，观测模型为： 其中 表示定位误差（观测噪声），可假设它为零均值、方差为 的白噪声 。 船舶航行的速度和加速度分别为 由匀加速运动公式 有 而加速度 可由机动加速度 和随机加速度 分组成，即 两部 定义系统的状态 为船舶的位置和速度，即 合并上述公式可得状态空间模型为 即系统的状态空间模型为 其中定义 (3.1.1) (3.1.2) 称(3.1.1)和(3.1.2)分别为状态方程和观测方程。 求船舶在时刻 处位置 的最优估计 。 船舶GPS导航定位Kalman滤波问题：基于GPS观测数据 * * 例3.1.2 石油地震勘探白噪声反卷积滤波问题 * * 可用反卷积（Deconvolution）模型描述石油地震勘探系统： (3.1.32) (3.1.33) 通常可用Bernoulli-Gaussian白噪声描写： (3.1.34) 其中b(t)为仅取值0和1的Bernoulli白噪声，取值概率为 (3.1.35) g(t)是零均值、方差为 的独立于b(t)的Gaussian白噪声。 * * 卷积模型(3.1.32)和(3.1.33)可表为如下状态空间模型： (3.1.36) (3.1.37) 石油地震勘探白噪声反卷积滤波问题是：基于传感器接收到的观测数据 求输入白噪声 的估计。 * * 滤波问题：从被噪声污染的观测信号中过滤噪声，求未知真实信号的估计。 最优滤波(估计)：求信号真值与估值的误差方差最小的估计。 应用领域：信号处理、通信、目标跟踪和控制等领域。 * * 发展状况： 1. Wiener(维纳)滤波方法 对象：单变量平稳随机信号，定常系统的稳态滤波问题。 方法：频域法，谱展式。 工具：维纳-霍夫方程。 缺点：非递推，要求存储全部历史数据，计算量和存储量大。 2. Kalman滤波方法 对象：多变量(非)平稳随机过程，时变系统的最优滤波问题。 方法：时域法，状态空间方法。 工具：Riccati方程。 优点：递推，计算量和存储量小，便于计算机实现。 缺点：系统参数和噪声统计精确已知。 3. 现代时间序列分析方法 对象：多变量(非)平稳随机过程，定常系统的稳态滤波问题。 方法：时域法。 工具：ARMA新息模型，白噪声估值器。 优点：便于处理模型参数未知的自校正滤波问题。 缺点：适用于定常系统的稳态滤波。 * * 本章主要内容： 射影理论 Kalman滤波器、预报器和平滑器 白噪声估值器 信息滤波器 稳态Kalman滤波 时域Wiener滤波器 3.2 射影理论 3.2.1 线性最小方差估计和射影 Kalman滤波器是线性最小方差估值器，也叫最优滤波器，在几何上Kalman滤波估值可看做是状态变量在由观测生成的线性空间上的射影。因此射影理论是求解Kalman滤波器的关键技术。 定义3.2.1 由 维随机变量 的线性函数估计 维随机变量 ，记估值为 若估值 极小化性指标为 则称 为随机变量 的线性最小方差估计。 定理3.2.1 随机变量 对随机变量 的线性最小方 差估值为 其中假设 均存在。 性质：1. 无偏性，即 2. 正交性，即 与 不相关，即正交，并记 为 在 上的射影, 记为 定义3.2.2 ， 称 定义3.2.3 张成的线性流形定义为如下 由随机变量 形式随机变量 的集合： 4. ， 记为 。 3. 与 不相关。 * *