维纳滤波和卡尔曼滤波_3讲解.ppt

例 x(t)是一个时不变的标量随机变量，y(t)=x(t)+v(t)是观测数据，其中v(t)为白噪声。若用Kalman滤波器自适应估计x(t)，试设计Kalman滤波器。 构造状态空间方程 设计x(t)的更新公式 例 　已知 在k=0时开始观察yk, yk=xk+vk，用卡尔曼过滤的计算公式求xk， 并与维纳过滤的方法进行比较。 　　 解 (1) 由x(n)功率谱及量测方程，确定卡尔曼递推算法。 首先对Sxx(z)进行功率谱分解，确定x(n)的信号模型B(z)，从而确定Ak。根据Sxx(z) =σ2ωB(z)B(z-1)，得出 由此可以得到卡尔曼滤波的状态方程为： 由量测方程yk=xk+vk, 确定Ck=1， 将参数矩阵Ak,Ck,Rk代入卡尔曼递推公式得到 另由题目可知， (2) 求出卡尔曼滤波的输出。由卡尔曼递推公式，以及 ,P0=var[x0]=1, 可得到Pk′,Hk,Pk及 （k表示迭代次数），迭代流程为： 表3.5.1 Kalman滤波迭代结果 (3) 求出卡尔曼滤波的稳态解。 消去Pk′， 可以得到Pk的递推关系: 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: (4) 用维纳滤波（因果维纳滤波）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 比较可以看出卡尔曼滤波的稳态解与维纳解是相等的。 维纳滤波： 维纳滤波中则采用物理意义较为间接的频率域语言； 根据全部过去的和当前的观察数据来估计信号的当前值； 解是以均方误差最小条件下所得到的系统的传递函数H(z)或单位样本响应h(n)的形式给出的，或者说其信号模型是从信号与噪声的相关函数得到的； 适用于一维平稳随机信号。 卡尔曼滤波： 卡尔曼滤波中采用物理意义较为直观的时间域语言； 采用递推算法，用前一个估计值和最近一个观察数据(它不需要全部过去的观察数据)来估计信号的当前值； 解是以估计值(常常是状态变量值)形式给出的，或者说其信号模型是从状态方程和量测方程得到的； 适用于多维和非平稳随机信号。 Levinson-Durbin算法 Levinson-Durbin算法首先由一阶AR模型开始，一阶AR模型(p=1)的Yule-Walker为 由该方程解出： 然后增加一阶，即令p=2，得到 由上面方程解出： 然后令p=3, 4, …, 以此类推， 可以得到Levinson-Durbin的一般递推公式如下： 例2.4.2 已知 x(n)为AR模型，求AR模型参数（包括模型阶数和系数）。 rxx(m)=0.8|m| 解 首先对Sxx(z)做傅里叶反变换，得到x(n)的自相关函数rxx(m), （1）、采用试验的方法确定模型阶数p。首先取p=2，各相关函数值由上式计算 计算得到 a1=-0.8， a2=0, σ2ω=0.36 （2）、如果取p=3，可计算出a1=-0.8, a2=a3=0, σ2ω=0.36，说明AR模型的阶数只能是一阶的。 （3）、采用谱分解的方法，即对Sxx(z)进行谱分解，得到的模型也是一阶的，其时间序列模型和差分方程为 3.5 卡尔曼(Kalman)滤波 本节讨论的主要问题及方法 卡尔曼滤波的状态方程和量测方程 卡尔曼滤波的递推算法 发散问题及其抑制 1、本节讨论的主要问题及方法 讨论的主要问题：本节将主要讨论卡尔曼滤波的状态方程和量测方程，及其递推算法。 解决方法：利用状态方程和递推方法寻找最小均方误差下状态变量 的估计值 ，即 2、卡尔曼滤波的状态方程和量测方程 假设某系统k时刻的状态变量为xk，状态方程和量测方程（也称为输出方程）表示为 Ak为状态转移矩阵，描述系统状态由时间k-1的状态到时间k的状态之间的转移； Ck为量测矩阵，描述状态经其作用，变成可量测或可观测的； xk为状态向量，是不可观测的；yk为观测向量； wk为过程噪声；vk为量测噪声。 图 3.5.1 卡尔曼滤波器的信号模型 为了分析方便, 假设状态变量的增益矩阵A不随时间发生变化，wk,vk都是零均值白噪声，方差分别是Qk和Rk，并且初始状态x0与wk,vk都不相关，且噪声向量wk,vk也互不相关，即 其中 3、 卡尔曼滤波的递推算法 基本思想： 先不考虑输入信号ωk和观测噪声vk的影响，得到状态变量和输出信号（即观测数据）的估计值 和 再用输出信号的估计误差 加权后校正状态变量的估计值 ，使状态变量估计误