测控技术与系统探究.ppt

测控技术与系统;目录;一、摘要;二、卡尔曼滤波器的介绍;三、卡尔曼滤波器的应用;四、卡尔曼滤波器算法;首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：?X(k|k-1)=A?X(k-1|k-1)+B?U(k)????..?(1)? 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。??到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。;我们用P表示covariance：?P(k|k-1)=A?P(k-1|k-1)?A’+Q?????(2)? 式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。??现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。;结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：?X(k|k)=?X(k|k-1)+Kg(k)?(Z(k)-H?X(k|k-1))?????(3)?其中Kg为卡尔曼增益(Kalman?Gain)：Kg(k)=?P(k|k-1)?H’?/?(H?P(k|k-1)?H’?+?R)?????(4)?? 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。;但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：? P(k|k)=（I-Kg(k)?H）P(k|k-1)?????(5)? 其中I?为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。??卡尔曼滤波器的原理基本描述了，式子1，2，3，4和5就是他的5?个基本公式。根据这5个公式，可以很容易的实现计算机的程序。;五、卡尔曼滤波器的简单应用例子;把房间看成一个系统，然后对这个系统建模。当然，我们见的模型不需要非常地精确。我们所知道的这个房间的温度是跟前一时刻的温度相同的，所以A=1。没有控制量，所以U(k)=0。因此得出： X(k|k-1)=X(k-1|k-1) ……….. (6) 式子（2）可以改成： P(k|k-1)=P(k-1|k-1) +Q ……… (7) 因为测量的值是温度计的，跟温度直接对应，所以H=1。式子3，4，5??以改成以下： X(k|k)=?X(k|k-1)+Kg(k)?(Z(k)-X(k|k-1))?………?(8)?Kg(k)=?P(k|k-1)?/?(P(k|k-1)?+?R)?………?(9)?P(k|k)=（1-Kg(k)）P(k|k-1)?………?(10)?; 现在我们模拟一组测量值作为输入。假设房间的真实温度为25度，我模拟了200个测量值，这些测量值的平均值为25度，但是加入了标准偏差为几度的高斯白噪声（在图中为蓝线）。?为了令卡尔曼滤波器开始工作，我们需要告诉卡尔曼两个零时刻的初始值，是X(0|0)和P(0|0)。他们的值不用太在意，随便给一个就可以了，因为随着卡尔曼的工作，X会逐渐的收敛。但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X(0|0)是系统最优的，从而使算法不能收敛。我选了?X(0|0)=1度，P(0|0)=10。?该系统的真实温度为25度，图中用黑线表示。图中红线是卡尔曼滤波器输出的最优化结果（该结果在算法中设置了Q=1e-6，R=1e-1）。;clear N=200; %随机序列长度 w(1)=0; %初始化操作 w=randn(1,N) %产生随机序列 x(1)=0; a=1; for k=2:N; x(k)=a*x(k-1)+w(k-1); %产生随机序列x（n） end subplot(311) t=1:N; plot(t,x,b) %绘制原始输入信号图形x(n) title(原始输入信号图像) xlabel(x轴单位：t/s,color,b