《现代控制理论基础》ch7最优估计与滤波.pptVIP

* * * * * * * * 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化递推数据处理算法）” 对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 * * * * * * * * * * * * * * * * * 状态估计误差 从而 * * 信息滤波器 所谓信息滤波器，就是在预报和更新两个环节上都递推地计算 协方差阵的逆阵。协方差阵的逆阵也被称作信息矩阵。 假定状态转移矩阵 可逆，所有协方差阵可逆，则协方差阵 和Kalman增益阵可按信息滤波器方法计算如下： （1）一步预报信息矩阵的计算 * * 若令 由矩阵求逆引理 则有 （2）Kalman增益阵的计算 因为 * * 再次应用矩阵求逆引理，上式可以写成 事实上，上式等价于另一种替换形式 （3）滤波信息矩阵的计算 因为 * * 所以 由矩阵求逆引理，则有 注：一般情况下，当系统状态维数n远远大于量测向量维数m时， 采用标准Kalman滤波器有优势，因为其中的求逆矩阵是m×m的。 当量测向量维数m远大于状态维数n时，采用信息滤波器就可以 大大减小计算量，因为求逆是对n×n矩阵的。 Kalman滤波器 信息滤波器 卡尔曼滤波的发散现象 1. 发散现象 按照卡尔曼滤波理论，随着观测次数的增加，滤波的均方误差阵应减小。但有时会发生这样的现象：滤波的均方误差阵会随着观测次数k的增加而增大，这称为卡尔曼滤波的发散现象。 * * 2. 发散原因 信号模型不准确或者不够精确 扰动噪声矢量和观测噪声矢量统计特性描述不准确； 计算中的有限字长效应； 其他各种误差影响等。 * * 3. 克服办法 建立尽可能精确的信号模型，如匀速直线运动模型，匀加速直线运动模型，机动目标当前统计模型等。 信号模型的统计特性描述合理。 自适应滤波法。 渐消记忆滤波法和限定记忆滤波法。 协方差平方根滤波。 * * 例9 用如下差分方程产生一个随机序列 观测方程 分别是方差0.04和9的白噪声。 等效状态演化方程为： 观测方程为： 状态空间模型参数为 * * 实验的方法是： 给定双初值， 由原始状态演化方程 产生随机序列的一次实现。利用观测方程 产生观测数据。 在滤波过程中，采用新的状态空间模型： * * 估计性能评估： 绝对误差度量： 例如： 均方根误差（RMSE-Root Mean Square Error） 其中，M为monte-carlo仿真的次数，其中 为第i次仿真得到的误差向量。 不同属性需要分开度量： * * 欧式平均误差（Average Euclidean Error, AEE）(Mean absolute error-MAE) AEE定义为： 从几何上讲, AEE是欧式空间中真值与估值间的算数平均距离。 RMSE没有简单的物理解释。RMSE和AEE的大小都主要受大误差项控制，但AEE受大误差影响相对较小。当评估主要注重估计误差大小时，使用AEE比较合适，因为AEE有着更直观的解释且受大误差影响较小。 * * 调和平均误差（Harmonic Average Error，HAE） 某种意义上，RMSE和AEE是悲观的度量（pessimistic measures）。因为，如前所述，大误差对它们具有统治性，它们更关注不好的结果。但有些情况下我们需要关注好的结果，这时候就要用到乐观的度量（optimistic measure），提出基于调和平均数（harmonic average）的HEA： 显然，HEA大小主要受小误差项控制。由于HEA主要注重好的行为，所以它适用于关注好的行为的应用中。 * * 几何平均误差（Geometric Average Error，GAE） 由于RMSE，AEE和HAE都受极端误差项控制，所以它们是不平衡的量度。但对于许多问题，我们希望大误差（不好的行为）能被一个充分小的误差（好的行为）平衡，反之依然。所以引入基于几何平均数的GAE： * * * * * * * * * * * 最小二乘估计不需要任何先验知识，只需要关于被估计 量的观测信号模型，就可实现信号参量的估计。虽然估计量的 性质不如前面讨论的方法，而且难以评价，但易于实现，且 能使估计误差的平方和达到最小，所以仍然是一种应用广泛 的估计方法。 * * * * * * 线性最小二乘估计对每次观测量是同等对待的。如果各次观测量精度是不一样的，理应给精度高的观测量以较大的权值，而精度低的观测量权值较小，以获得更精确的估计结果。从而引