卡尔曼滤波 卡尔曼滤波中文.doc

卡尔曼滤波 卡尔曼滤波中文 处理线性滤波以及预测问题的一种新途径R.E.Kalman1引言通讯与控制中的理论与实际问题中有很重要的一类具有统计性质。 这样的问题有：（1）、随机信号的预测；（2）、从随机噪声中分离随机信 号；（3）、在有噪声的情况下探测已知形式的信号（脉冲、正弦波）。 在Wiener开拓性的工作中，他证明[1]从问题（1）和问题（2）可导 出所谓Wiener-Hopf积分方程；他同样给出了解决具有实际重要意义的特 殊情况——定态统计和有理数频谱——之积分方程的方法（频谱因式分解）。 在Wiener的基础性工作之后出现了许多延伸和推广。Zadeh与 Ragazzini给出了有限存储器情况的解[2]。Bode和Shannon[3]同时独 立的给出上述情况的解，并且给出了简化的求解方法。Booton讨论了非定 态统计Wiener-Hopf方程[4]。这些结果现在都写入了标准教科书中[5,6]。 最近Darlington[7]沿着这些主线给出了一种稍微有些不同的方法。对抽 样信号的延伸，参见Franklin[8]和Lees[9]的工作。基于Wiener-Hopf方 程（同样应用于非定态问题，尽管前述方法一般并非如此）特征函数的 方法由Davis[10]开创并被许多其他人应用，例如Shinbrot[11],Blum[12], Pugachev[13],Solodovnikov[14]. 在所有这些工作中，目标都是获取一个线性动力系统的明确说明 （Wiener滤波器），由此可以完成预测、分离或者探测随机信号。 现有求解Wiener问题的方法受制于若干限制，这样就使得它们的实际 用处收到削弱： 1.最佳的滤波器由其脉冲响应具体指定。由这些数据合成滤波器并非易 事。 2.数值确定最佳的脉冲响应往往十分复杂并且不很适合机器计算。这种 情况随着问题复杂度的增加而迅速变得更为糟糕。 11引言2 3.重要的推广（如增长存储器滤波器、非定态预测）需要新的推导过 程，经常给非专业人士带来相当大的困难。 4.这些推导过程的数学部分并不透明。基本假设及其后果趋于模糊。 本文回避上述困难，提出看待这些问题的整个集合的新方式。以下是 本文的亮点： 5.最佳估计和正交投影。Wiener问题是以条件分布与期望的观点处理 的。这样，Wiener理论的基本事实可以迅速获取；结果的范围以及基 本假设可以清楚的显现出来。可以看到所有的统计计算以及结果都基 于一阶和二阶平均；不需要其他的统计数据。这样一来困难（4）便被 排除。这种方法在概率论中为人们所熟知（见Doob[15]第148至155 页以及Lo`eve[16]第455至464页），但在工程上还没有大量的应用。 6.随机过程模型。继前人之后，尤其是Bode与Shannon[3],任意随机 信号可以被表示（直到二阶平均统计性质）为线性动力系统受独立或 不相关随机信号（“白噪声”）激励后的输出。这是工程上应用Wiener 理论的标准手法[2,3,4,5,6,7]。这里用到的方法与传统方法相比只 在线性动力系统的描述方法上不同。我们将强调状态以及状态过渡； 换言之，线性系统将以一阶差分（或微分）方程组来刻画。为了利用 （5）中提到的简化，这种观点是自然的，也是必要的。 7.求解Wiener问题。使用状态——过渡方法，单独一次推导即覆盖多 种问题：增长与有限存储器滤波器、定态与非定态统计等等；（3）中 的困难消失了。正确猜测出估计问题的“状态”后，接下来就是最 佳估计误差协方差矩阵的非线性差分（或微分）方程。这个方程与 Wiener-Hopf方程有些相似。对方称的求解开始于观测开始的t0时 刻；随后每个时刻t方程的解都代表给定区间(t0,t )上观测的最佳预 测误差协方差。从t时刻的协方差矩阵我们立刻可以获得刻画最佳线 性滤波器的系数，而无需进一步的计算。 8.对偶问题。对Wiener问题的新的公式化使其接触到基于“状态”观 点的成长中的控制系统新理论[17,18,19,20,21,22,23,24]。令人惊 讶的是，Wiener问题是无噪声最佳调整器问题的对偶，而此问题已 经被本文的作者利用状态——过渡方法解决[18,23,24]。两个问题的2符号约定3 数学背景完全一致——这一点一直以来都被人们所怀疑，但直到现在 两者的类比才被明确指出。 9.应用。新方法的威力在理论调研与复杂实际问题的数值解答中大多显 而易见。在后面的案例中，最好借助机器计算。这种类型的例子将在 后面讨论。为了给应用提供一些感觉，包含了两个非定态预测的标准 例子；在这些例子中，（7）中提到的非线性差分方程甚至可以得到近 似形式的解。 为了参考方便，主要结果都用定理的形式显示。只有定理3和定理4 是原创的。下一个章节以及附录主要