卡尔曼滤波及其扩展教学课件PPT.pptVIP

Kalman滤波及其扩展 目录 问题的引出 Kalman滤波 1.平稳/非平稳随机过程 2. 递推迭代，存储量小 扩展Kalman滤波 解决kalman滤波应用于非线性系统的问题 20世纪40年代 1960年 。。。。 Wiener滤波 1.仅适用于平稳随机过程 2.计算量、存储量大 3.滤波器长度改变需重新计算 时间 问题的引出 状态空间模型（State-Space Models） k时刻系统状态 k时刻观测值 k时刻控制输入 k时刻系统过程噪声 k时刻观测噪声 状态变换 输入控制 观测模型 线性--非线性 1.系统无输入和噪声时的运动规律 系统的随机性 系统的确定性 用系统噪声描述 2.系统加入控制输入后的运动规律 状态方程 观测方程----与观测手段和观测条件相关 问题的引出 状态空间模型（State-Space Models） 一、对于测量问题，我们的核心目的是监测系统的状态，而不涉及控制系统的状态，因此： 1.不必关心观测值的情况 2.系统的控制输入为0 二、对于控制任务，我们的核心目的是令系统状态按我们所希望的方向发展，从而施加某种控制输入 Kalman滤波核心思想 参数b不同，估计的误差e就不同。问题： 1.如何选择参数b，使得e最小，从而得到一个“好”的估计？ 2.“好”的估计的标准是什么？ 2.1线性最小方差准则基本思想 参考文献：《最佳滤波与随机控制》冯汝鹏 编 待观测的实际信号 观测量 低维空间中的信号无法准确描述更高维空间中的信号，只能在低维空间中进行逼近 用观测量y的线性函数估计x 线性最小方差估计 垂直投影 概念扩展 2.1线性最小方差准则基本思想 方法一： 正交投影法 2.2线性最小方差准则应用于Kalman滤波 方法二： 直接推导 通过最小准则确定卡尔曼增益 谁更值得信任？ 先验估计vs.观测值 2.2线性最小方差准则应用于Kalman滤波 Kalman滤波核心思想 Greg Welch, Gary Bishop. An Introduction to the Kalman Filter 总体流程 扩展Kalman滤波原理 状态空间模型 多元函数Taylor展开，并略去高次项 模型推广 扩展kalman滤波核心思想：非线性问题线性化 总体流程 扩展Kalman滤波原理 Greg Welch, Gary Bishop. An Introduction to the Kalman Filter 简单实例 测量任务1： 对于这种非线性测量，观测值并不需要关心 简单实例 测量任务2： SNR提高 Thank you! Question Ask 报告人：刘佩卓 联系电话指导教师：彭宇 教授 2013年12月21日