第三章滤波理论综述.PDFVIP

第三章 滤波理论综述 第三章 滤波理论综述 3.1引言 “滤波”这个词经常出现在科学研究与工程实践当中，广义地说，滤波就是从 混合在一起的诸多信号中提取出所需要的信号，比如在通信领域经常用到的低通 滤波、高通滤波技术。但是本章所涉及的滤波则与常规的滤波有很大的区别。此 处的滤波对象是随机信号，输入信号并不能被简单地区分为有用信号和扰动，滤 波的目的是要估计出所有被处理信号，此外，系统噪声和观测噪声并不是要滤除 的对象，而是利用噪声激励系统，利用统计方法估计被处理对象。 跟踪问题经常被抽象为状态空间内的估计问题，即利用与系统状态相关的观测 序列对一个时变系统的状态进行预测。系统的状态用一个状态向量来表示，它包 含了与系统属性相关的各种信息，在一个跟踪系统中，这些信息通常是目标的动 态，如目标位置，目标速度，目标加速度，目标的大小，目标的轮廓等特征。观 测向量代表了对系统某些属性的测量结果，它与状态向量密切相关。 在解决某些实时性不强的问题时，我们可以收集一段时间内的观测数据，然后 对它们进行成批地处理来得到状态估计，但是在解决一些实时问题时，基本的要 求是数据要能够被实时地处理，这就要求必须在每个时间点的观测数据得到之后 立即得到状态估计。对于这种问题，递归是一种很适合的方法。使用递归方法之 后，得到的观侧数据可以立即被处理，因而不需要保存过去的观测数据也不需要 处理以前的观测数据。递归方法通常包括两个阶段:预测和更新。预测是利用系 统模型预测系统下一时刻的状态，但是由于系统经常受到一些未知因素的干扰， 因此还需要用当前的观测数据去修正预测的结果，这种思想与贝叶斯理论不谋而 合，因此贝叶斯理论在状态估计领域内有重要的地位。 本章重点介绍状态空间估计领域内的常用算法。本章将会讨论贝叶斯最优估计 与蒙特卡罗仿真，以及这二者相结合得到的粒子滤波，粒子滤波可以适用于任何 类型的模型和任何类型的噪声。还会介绍一种最优算法— 卡尔曼滤波，它只能 应用在模型是线性的，噪声是高斯的情况下。卡尔曼滤波还有一些改进算法，如 扩展卡尔曼滤波，可以应用在非线性模型中。本章的最后一节将给出上述算法对 一维信号的仿真结果。