卡尔曼滤波算法(含详细推导)幻灯片.ppt

3、kalman滤波算法 （3）、Riccati方程 由式(28)表示的kalman增益与预测状态误差的相关矩阵K(n,n-1)有关，为了最后完成kalman自适应滤波算法，还需要再推导K(n,n-1)的递推公式。 考察状态向量的预测误差： 将状态方程(1)和状态向量的一步预测更新公式(25)代入式(29)中，有： 将观测方程(2)代入上式，并代入 ，则有： 3、kalman滤波算法 求式(3)所示状态向量的一步预测误差向量的相关矩阵，容易证明： 式中使用了e(n+1,n)，v1(n)，v2(n)彼此不相关的事实，以及 和 等关系式。 对式(31)的右边进行展开，然后代入式(28)和(29)，可以证明：状态向量预测误差的相关矩阵的递推公式为： 式中 式(32)称为Riccati差分方程。 3、kalman滤波算法 若定义 是利用已知的y(1),…,y(n)求得的状态向量的滤波估计，则 定义滤波状态向量的误差向量，可以证明： 因此，Riccati差分方程中的矩阵P(n)事实上是滤波误差状态向量的相关矩阵。 （4）、kalman滤波算法 将上面推导得到的式(28)、(16)、(13)、(25)、(33)和(32)依次加以归纳，得到基于一步预测的kalman自适应滤波算法如下。 初始条件： 3、kalman滤波算法 输入观测向量过程： 观测向量={y(1),…,y(n)} 已知参数： 状态转移矩阵F(n+1,n) 观测矩阵C(n) 过程噪声向量的相关矩阵Q1(n) 观测噪声向量的相关矩阵Q2(n) 计算：n=1,2,3,… 3、kalman滤波算法 Kalman滤波器是一种线性的离散时间有限维系统。Kalman滤波器的估计性能是：它使滤波后的状态估计误差的相关矩阵P(n)的迹最小化。这意味着，kalman滤波器是状态向量x(n)的线性最小差估计。 由前面的公式可以得出kalman滤波算法的结构图，如下： 3、kalman滤波算法 * 卡尔曼滤波算法及推导 1、kalman滤波问题 考虑一离散时间的动态系统，它由描述状态向量的过程方程和描述观测向量的观测方程共同表示。 （1）、过程方程 式中，M 1向量x(n)表示系统在离散时间n的状态向量，它是不可观测的；M M矩阵F（n+1,n）成为状态转移矩阵，描述动态系统在时间n的状态到n+1的状态之间的转移，应为已知。而M 1向量 为过程噪声向量，它描述状态转移中间的加性噪声或误差。 1、kalman滤波问题 （1）、观测方程 式中，N 1向量y(n)表示动态系统在时间n的观测向量； N M矩阵C（n）称为观测矩阵（描述状态经过其作用，变成可预测的），要求也是已知的；v2(n)表示观测噪声向量，其维数与观测向量的相同。过程方程也称为状态方程，为了分析的方便，通常假定过程噪声v1(n)和观测噪声v2(n)均为零均值的白噪声过程，它们的相关矩阵分别为： 1、kalman滤波问题 1、kalman滤波问题 还假设状态的初始值x(0)与v1(n) 、 v2(n)，n 0均不相关，并且噪声向量v1(n)与v2(n)也不相关，既有： 2、新息过程 考虑一步预测问题，给定观测值y(1), ...，y(n-1)，求观测向量y(n)的最小二乘估计，记作 （1）、新息过程的性质 y(n)的新息过程定义为： 式中，N 1向量 表示观测数据y(n)的新的信息，简称新息。 2、新息过程 新息 具有以下性质： 性质1 n时刻的新息 与所有过去的观测数据y(1), ...，y(n-1)正交，即： 性质2 新息过程由彼此正交的随机向量序列{ } 组成，即有 2、新息过程 性质3 表示观测数据的随机向量序列{y(1) ,…y(n)}与表示新息过程的随机向量序列{a(1),…a(n)} 一一对应 ，即 以上性质表明：n时刻的新息a(n)是一个与n上课之前的