3_卡尔曼滤波-1题稿.pptVIP

8.更新估计 9.X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^]10.计算更新后估计协防差矩阵11.C(k)~ = [I-K(k)×H(k)]×C(k)^×[I-  K(k)×H(k)]‘+K(k)×R(k)×K(k)’12.X(k+1) = X(k)13.C(k+1) = C(k)14.重复以上步骤该算法可用C语言编程，在计算机上实现。 卡卡尔曼滤波的一个循环 6.卡尔曼滤波器的应用 卡尔曼滤波器最初是专为飞行器导航而研发的，目前已成功应用在許多领域中。卡尔曼滤波器主要用来預估那些只能被系统本身間接或不精確观測的系统状态。許多工程系统和嵌入式系统都需要卡尔曼滤波。 比如,在雷达中，人们感兴趣的是跟踪目标，但目标的位置，速度，加速度的测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息，设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计。 卡尔曼滤波器应用领域：· 自动驾驶仪 · 动态定位系统 · 经济学, 特别是宏观经济学， 时间序列模型, 以及  计量经济学 · 惯性引导系统 · 雷达跟踪器 · 卫星导航系统 卡尔曼滤波 Kalman Filtering 背景介绍： Kalman，匈牙利数学家。 卡尔曼滤波器源于他的博士论 文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线 性滤波与预测问题的新方法）。 估计原理和卡尔曼滤波 1. 状态估计原理 2. 为什么要用状态估计理论 3. 经典控制理论与现代控制理论 4. 什么是卡尔曼滤波 5.卡尔曼滤波器的软硬件实现 6.卡尔曼滤波器的应用 1.状态估计原理 状态估计是卡尔曼滤波的重要组成部分。一般来说，根据观测数据对随机量进行定量推断就是估计问题，特别是对动态行为的状态估计，它能实现实时运行状态的估计和预测功能。比如对飞行器状态估计。 状态估计对于了解和控制一个系统具有重要意义，所应用的方法属于统计学中的估计理论。最常用的是最小二乘估计，线性最小方差估计、最小方差估计、递推最小二乘估计等。其他如风险准则的贝叶斯估计、最大似然估计、随机逼近等方法也都有应用。 受噪声干扰的状态量是个随机量，不可能测得精确值，但可对它进行一系列观测，并依据一组观测值，按某种统计观点对它进行估计。 使估计值尽可能准确地接近真实值，这就是最优估计。 真实值与估计值之差称为估计误差。 若估计值的数学期望与真实值相等，这种估计称为无偏估计。 卡尔曼提出的递推最优估计理论，采用状态空间描述法，算法采用递推形式，卡尔曼滤波能处理多维和非平稳的随机过程。  卡尔曼滤波理论的提出，克服了威纳滤波理论的局限性，使其在工程上得到了广泛的应用，尤其在控制、制导、导航、通讯等现代工程方面。 关于维纳滤波和卡尔曼滤维纳滤波和卡尔曼滤波都是解决线性滤波和预测问题的方法，并且都是以均方误差最小为准则的，在平稳条件下两者的稳态结果是一致的。但是它们解决问题的方法有很大区别。1. 维纳滤波是根据全部过去观测值和当前观测值来估计信号的当前值，因此它的解形式是系统的传递函数H(z)或单位脉冲响应h(n) ，因此更常称这种系统为最佳线性过滤器或滤波器；卡尔曼滤波是用当前一个估计值和最近一个观测值来估计信号的当前值，它是用状态方程和递推的方法进行估计的，它的解形式是以估计值 (常常是状态变量值）。因此更常称这种系统为线性最优估计器或滤波器。2. 维纳滤波只适用于平稳随机过程，卡尔曼滤波就没有这个限制。 3. 维纳过滤中信号和噪声是用相关函数表示的，因此设计维纳滤波器要求已知信号和噪声的相关函数。卡尔曼过滤中信号和噪声是状态方程和量测方程表示的，因此设计卡尔曼滤波器要求已知状态方程和量测方程(当然，相关函数与状态方程和量测方程之间会存在一定的关系)。卡尔曼过滤方法看来似乎比维纳过滤方法优越，它用递推法计算，不需要知道全部过去的数据，从而运用计算机计算方便，而且它可用于平稳和不平稳的随机过程(信号)，