Kalman滤波器及Wiener滤波器的仿真及实现.ppt

Wiener滤波 所谓滤波就是从混合在一起的诸多信号中提取所要的信号。 根据滤波器的输出是否为输入的线性函数，可将它分为线性滤波器和非线性滤波器两种。滤波器研究的一个基本课题就是：如何设计和制造最佳的或最优的滤波器。所谓最佳滤波器是指能够根据某一最佳准则进行滤波的滤波器。 设维纳滤波器的输入为含噪声的随机信号。期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差。因此均方误差越小，噪声滤除效果就越好。如果能够满足维纳－霍夫方程，就可使维纳滤波器达到最佳。根据维纳－霍夫方程，最佳维纳滤波器的冲激响应，完全由输入自相关函数以及输入与期望输出的互相关函数 所决定。 在一定的约束条件下，其输出与一给定函数（通常称为期望输出）的差的平方达到最小，通过数学运算最终可变为一个托布利兹方程的求解问题。维纳滤波器又被称为最小二乘滤波器或最小平方滤波器，目前是基本的滤波方法之一。 从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点， 60 年代 Kalman 把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。 卡尔曼滤波 卡尔曼滤波从被提取信号有关的量测量中通过算法估计出所需信号。其中被估计信号是由白噪声激励引起的随机响应，激励源与响应之间的传递结构（系统方程）已知，量测量与被估计量之间的函数关系（量测方程）也已知。 卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 卡尔曼滤波特点： （1） 卡尔曼滤波处理的对象是随机信号； （2） 被处理信号无有用和干扰之分，滤波的目的是要估计出所有被处理信号； （3） 系统的白噪声激励和量测噪声并不是需要滤除的对象，它们的统计特性正是估计过程中需要利用的信息。 （4） 所以确切的说，卡尔曼滤波应称作最优估计理论，此处称谓的滤波与常规滤波具有完全不同的概念和含义。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。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。 卡尔曼的五个核心方程： X(k|k-1)=A X(k-1|k-1)+B U(k) ………………………??(1) P(k|k-1)=A P(k-1|k-1) A’+Q ………………………… (2) X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ………??(3) Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4) P(k|k)=（I-Kg(k) H）P(k|k-1) ………………………… (5) 计算滤波估计的流程图 我们看以看出，滤波过程是以不断地“预测—修正”的递推方式进行计算，先进行预测值计算，再根据观测值得到的新信息和kalman 增益（加权项），对预测值进行修正。由滤波值可以得到预测，又由预测可以得到滤波，其滤波和预测相互作用，并不要求存储任何观测数据，可以进行实时处理。 仿真实例 设有一个随机信号 服从AR(4)过程，它是一个宽带过程，参数如下： 通过观测方程 来测量信号， 是方差为1的高斯白噪声，利用Kalman滤波器通过测量信号估计 的波形。 建立模型 将随机信号X(n)看成是由典型白噪声序列源W(n)激励一个线性系统产生，用一个差分方程来描述： 观测方程是Y(n)=X(n)+V(n),V(n)是方差为１的高斯白噪声，产生进入Wiener滤波器的信号。 将滤波器的阶数设为101，根据维纳－霍夫方程： 其中rx1是观测信号的自相关函数， 是观测信号和期望信号的互相关函数。定义维纳滤波的模型，最后带入filter。 稳态Kalman滤波器方程如下： 测量值修正计算：　 ? 我们可以通过kalman函数设计上述稳态滤波器。 首先定义带噪声的系统模型： Kalman滤波器模型图