随机控制理论导论.pptVIP

《随机控制》状态估计与kalman滤波 指导老师：王印松 主要内容 第一部分：状态估计 第二部分：卡尔曼（kalman）滤波 预备知识 高斯过程 若对每一个k及所有的 ∈T，i=1，2，3…k，x（ ），x（ ），…x（ ）的联合分布是正态的，则称随机过程为高斯过程或正态过程。 维纳过程 又称布朗运动过程。若用x（t）表示微粒在t时刻的坐标，则x（0）为初始位置，即x（0）=0.维纳过程可用下述条件来定义它： 1.X（0）=0; 2.x(t)为正态； 3.对于所有t0,Ex(t)=0; 4.过程具有独立平稳增量。 （一）状态估计 状态估计的目的 状态估计的定义 状态估计的分类 判断状态估计的好坏的准则 离散时间系统的状态估计 连续时间系统的状态估计 状态估计的目的 根据可获取的量测数据估算动态系统内部状态的方法。对系统的输入和输出进行量测而得到的数据只能反映系统的外部特性，而系统的动态规律需要用内部（通常无法直接测量）状态变量来描述。因此状态估计对于了解和控制一个系统具有重要意义。 在随机控制中，对于线性二次高斯系统的情形，先从观测估计出系统的状态，然后用状态的估计值作反馈实现控制，这种线估计（滤波）后反馈（控制），分两步走的做法的根据叫做分离原理。 状态估计的定义 我们要讨论的问题如下：考虑两个实的随机过程{s(t),t∈T}，和{n(t)，t ∈T}，它们分别称为信号与噪音。 假定其和为： y(t)=s(t)+n(t) 能表示成上式我们称y(t) 能观测或能测量。因而，我们得到了在时刻t时可测量的一个实现y(Г)，t0≤Г≤t。基于这一现实，我们要确定在时刻t1信号值的最好估计。若t1t，则问题称为平滑问题或内插问题。若t1=t，则称为滤波问题，而若t1＞t，则称为预测与外推问题。 状态估计的分类 状态估计可以分为：离散时间状态估计（数学表现形式为随机差分方程），连续时间状态估计（数学表现形式为随机微分方程）。 两种特殊的状态估计问题 随机控制理论主要研究当信号与噪声过程能表示成随机差分方程或随机微分方程的两种特殊情形。 (1)离散时间情形下 X（t+1）=Φx（t）+v（t) （2.1） y(t) =?x(t)+e(t) （2.2） 其中{v（t)}和{e（t）}是独立的高斯随机变量序列。 (2)在连续的时间情况下 dx=Axdt+dv （2.3） dy=Cxdt+de （2.4） 其中{v（t）}与{e（t）}是维纳过程。 假定已观测到输出y（Г),t0≤Г≤t的实现，而我们要估计（2.1)与（2.3）式的状态向量。这个特殊问题称为状态估计问题。 判断状态估计的好坏的准则 定义一个损失函数L(X) 无偏估计 最小方差估计 损失函数 在第五章已经讲过损失函数L(X)，它是一实函数，且有性质： (1)L(X)≥0 (2)L(X)=L(-X) (3)对于x0,L(x)是非减的 我们假定最好的估计定义为使损失函数L(X)的均值取极小值的那个估计，于是这时损失是随机变量L(s- )，最好估计是将使平均损失EL(S- )取极小值。 我们能够找到估计问题的各种不同表达式之间的等价性。首先我们由观测给出的关于随机变量s的全部有关的统计信息包含在条件分布： 之中。分布密度记作 。 无偏估计 若有 E[ (k|j)]=E[x(k)- (k|j)=0 则称 (k|j)为x(k)之无偏估计。对于无偏估计而言，估计 (k|j)以相等的概率分布在x(k)的两边。 最小方差估计：设常矢量a和x(k)同维数，则 x(k) 表示x（k）的某一个分量或者某些分量的线性组合。 最小方差估计 若估计 使得 J=E[ 亦即 那么，这种 称为x（k）的最小方差估计。 离散时间系统的状态估计 对于高斯过程和一大类的判别准则来讲，估计问题的解为条件均值。我们现在考虑由状态方程