第四章自适应卡尔曼滤波技术.PDFVIP

西北工业大学硕士学位论文 第四章 自适应卡尔曼池波技术 第四章 自适应卡尔曼滤波技术 4.1自适应卡尔曼浦波器的背景 卡尔曼滤波器 (简称 KF)的一套递推算法，可应用计算机得到动态系统中 随机状态变量的高精度、实时最优估计。由于这一显著优点，卡尔曼滤波器得到 广泛的应用。但是应用卡尔曼滤波器时，必须掌握所研究动态系统的数学模型和 系统中有关噪声的统计特性。这一点，在实际应用中很难满足。由于种种原因， 我们所能得到的系统模型和噪声统计特性两者的先验信息，一般总是存在各种误 差的。应用一般的卡尔曼滤波器，其运行结果，往往是发散的。根本达不到预期 目的。在我们的惯性系统的初始对准应用中，卡尔曼滤波器有时就会出现这样一 种现象:当里测值数目k不段增大时，按滤波方程计算的估计均方误差趋于零或 趋于某一稳态值，估计值相对实际的被估计值的偏差却越来越大，使滤波器逐渐 失去估计作用，这种现象称为滤波器的发散。可以证明:即使理论上证明卡尔曼 是渐进稳定的，并不能保证滤波器算法在实际上具有收敛性，引起滤波器发散的 主要原因有以下几点: (1)描述系统动力学特性的数学模型不准确 为了保证卡尔受滤波器是线性的，在惯导系统中通常采用间接法把系统的误 差作为状态。实际的误差是相当复杂的，为了简化设计，减小运算量，一般都采 用次优滤波器算法，忽略一些次要的误差状态，所有这些造成滤波器的模型不能 真实的反映物理过程，使模型与获得的量测值不匹配。 (2)缺乏对噪声模型的完整了解，导致噪声统计特性描述不准确 这一问题对捷联惯导系统尤为明显，因为捷联惯导系统的惯性仪表是直接与 基座固联的，动态环境恶劣，导致噪声模型具有不确定性。 (3)数字计算机的计算误差 卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差逐渐积累。如果计 算机字长不够长，这种积累误差有可能使估计的均方差阵失去非负定性甚至失去 对称性，使增益阵的计算值逐渐失去合适的加权作用而导致发散。这种由计算的 舍入误差积累引起的滤波器发散称为计算机发散。 对于前两点可归结为给定的验前数据有误差，而卡尔曼滤波要求精确的己知 系统的数学模型及噪声统计，错误的数学模型及不准确的噪声统计经常引起滤波 发散，所谓发散即实际的估计误差往往比理论上预计的误差大很多倍。传统卡尔 一25. 西北工业大学硕士学位论文 第四章 自适应卡尔曼泌波技术 曼滤波器存在一个重要的缺陷，在计算增益K,t时，并不考虑实际的量测值，而 只根据验前确定的ro,r,Q,R四个矩阵的数值.如果其中任何一个不够准确都将 导致计算增益凡的错误，并可能使滤波过程发散。 目前，防止滤波发散的常用的基本做法有两种，第一种做法就是建立各种自 适应算法，不仅估计状态向量，而且还要对系统噪声或量测噪声的统计特性进行 估计，即邓自立提出的带模型误差的自适应滤波算法:第二种方法是建立各种对 估计误差的一步预测方差pklk-，加权算法，即强跟踪自适应滤波算法，来达到抑 制滤波发散的目的。 4.2强跟踪自适应滤波器 4.2.1线性强跟踪自适应滤波器 当系统模型不准确时，新量测值对估计值的修正作用下降，陈旧最测值的修 正作用相对上升是引发滤波发散的一个重要原因。因此逐渐减小陈旧里测值的权 重，相应的增大新量测值的权重，这是扼制滤波发散的一个可行途径，强跟踪自 适应滤波是通过这种途径扼制滤波发散的一种次优滤波方法[3] 设系统的状态模型与量测模型方程分别为: Xk=Dk.k_1Xk-l十Wk-, (4-1) Zk=HkXk十Vk 式中嗽和K都是零均值白噪声，方差阵分别为级和Rk，初始状态的统计 特性E[Xo卜mX，Var[Xo卜几，其中Xo,叭IVk三者互不相关. 下面建立Xk的强跟踪自适应滤波方程组。 耳，和耳，是定量描述Zk和风中有用信息含里的信息质量标志，卡尔曼滤波 在估计X,是 (N为当前时刻)能根据这些信息质量标志自动的确定出对 [Zk)(kN‘)和风的利用程度。可见要减小Zi(iN‘)