实验报告-卡尔曼滤波课案.docxVIP

数字信号处理实验报告 姓名：任伟平 专业: 通信与信息系统 学号: 2015111806 日期：2015.11 实验内容 任务一： 一连续平稳的随机信号，自相关函数，信号为加性噪声所干扰，噪声是白噪声，测量值的离散值为已知，，-3.2，-0.8，-14，-16，-17，-18，-3.3，-2.4，-18，-0.3，-0.4，-0.8，-19，-2.0，-1.2，-11，-14，-0.9，-0.8，10，0.2，0.5，-0.5，2.4，-0.5，0.5，-13，0.5，10，-12，0.5，-0.6，-15，-0.7，15，0.5，-0.7，-2.0，-19，-17，-11，-14，自编卡尔曼滤波递推程序，估计信号的波形。 任务二： 设计一维纳滤波器。 产生三组观测数据：首先根据产生信号，将其加噪（信噪比分别为20dB，10dB，6dB），得到观测数据，，。 估计，，，的AR模型参数。假设信号长度为，AR模型阶数为，分析实验结果，并讨论改变，对实验结果的影响。 实验任务一 卡尔曼滤波原理 1.1 卡尔曼滤波简介 早在20世纪40年代，开始有人用状态变量模型来研究随机过程，到60年代初，由于空间技术的发展，为了解决对非平稳、多输入输出随机序列的估计问题，卡尔曼提出了递推最优估计理论。它用状态空间法描述系统，由状态方程和量测方程所组成，即知道前一个状态的估计值和最近一个观测数据，采用递推的算法估计当前的状态值。由于卡尔曼滤波采用递推法，适合于计算机处理，并且可以用来处理多维和非平稳随机信号，现已广泛应用于很多领域，并取得了很好的结果。卡尔曼滤波一经出现，就受到人们的很大重视，并 在实践中不断丰富和完善，其中一个成功的应用是设计运载体的高精度组合导航系统。卡尔曼滤波具有以下的特点: 算法是递推的，且状态空间法采用在时域内设计滤波器的方法，因而适用于多维随机过程的估计；离散型卡尔曼算法适用于计算机处理。 用递推法计算，不需要知道全部过去的值，用状态方程描述状态变量的动态变化规律，因此信号可以是平稳的，也可以是非平稳的，即卡尔曼滤波适用于非平稳过程。 卡尔曼滤波采取的误差准则仍为估计误差的均方值最小。 1.2 卡尔曼滤波的状态方程和测量方程 假设某系统时刻的状态变量为，状态方程和量测方程（输出方程）表示为 其中，是状态变量；表示输入信号是白噪声；是观测噪声；是观测数据。 为了推导简单，假设状态变量的增益矩阵不随时间发生变化，，都是均值为零的正态白噪声，方差分别是和，并且初始状态与，都不相关，表示相关系数。即： 其中 1.3 卡尔曼滤波的递推算法 卡尔曼滤波采用递推算法来实现，其基本思想是先不考虑输入信号和观测噪声的影响，得到状态变量和输出信号（即观测数据）的估计值，再用输出信号的估计误差加权后校正状态变量的估计值，使状态变量估计误差的均方值最小。因此，卡尔曼滤波器的关键是计算出加权矩阵的最佳值。 当不考虑观测噪声和输入信号时，状态方程和量测方程为 显然，由于不考虑观测噪声的影响，输出信号的估计值与实际值是有误差的，用表示 为了提高状态估计的质量，用输出信号的估计误差来校正状态变量 其中，为增益矩阵，即加权矩阵。经过校正后的状态变量的估计误差及其均方值分别用和表示，把未经校正的状态变量的估计误差的均方值用表示 卡尔曼滤波要求状态变量的估计误差的均方值为最小，因此卡尔曼滤波的关键即为通过选择合适的，使得取得最小值。首先推导状态变量的估计值和状态变量的的估计误差，然后计算的均方值，通过化简，得到一组卡尔曼滤波的递推公式： 假设初始条件，，，，，，已知，其中，，那么递推流程如下： ，， 卡尔曼滤波递推程序编程思想 题目分析 由于信号为加性噪声所干扰，可知，所以 又因为噪声为白噪声，所以 因为，所以 由此可知，，即，可得到：，因为抽样间隔，所以：。 （4）因此，所以 因此 编程分析 由上面的分析可知初始条件，，，，已知，在仿真中假设，则，，由以上参数可得卡尔曼实际递推公式 将得到的公式代入前面分析的递推公式，即可进行迭代得到结果。 MATLAB源代码 根据以上分析，编写matlab程序如下： %% %---------------卡尔曼滤波----------------- %-----说明 %X(k+1)=Ak*X(k)+W(k); %Y(k)=Ck*X(k)+V(k) %% clear;clc; %基本参数值 Ak=exp(-0.02);Ck=1; Qk=1-exp(-0.04);Rk=1; %初始值设置 X0=0;P0=1; %观测值y(k) Y=[-3.2 -0.8 -14 -16 -17 -18 -3.3 -2.4 -18 -0.3 -0.4 -0.8 -19 -2.0 -1.2 ... -11