状态估计卡尔曼滤波.pptVIP

* 多传感器信息融合 状态估计—卡尔曼滤波 * 状态估计 定义：在给定网络拓扑结构及元件参数的条件下，利用遥测遥信信息估算电力系统运行状态。 意义：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征，而系统的动态规律需要用内部（通常是无法直接量测）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。 * 估计理论是现代许多信号处理和数据处理系统的基础，像雷达、声纳、通信等系统都有两个共同的问题。 一是信号检测问题； 二是检测到信号以后需要估计信号的某些参数，也就是参数估计问题。 参数估计按被估计的量是否是随时间变化的又分为静态估计和动态估计。 * 静态估计中待估计的参数是不随时间变化的，而动态估计中被估计的参数是随时间变化的。 动态估计又称为状态估计或波形估计。 其目的是： （1）对目标过去的运动状态进行平滑； （2）对目标现在的运动状态进行滤波； （3）对目标未来的运动状态进行预测，这些运动状态包括目标位置、速度、加速度等。 * 状态估计的主要内容 应用： 通过数学方法寻求与观测数据最佳拟合的状态 向量。 1、确定运动目标的当前位置与速度； 2、确定运动目标的未来位置与速度； 3、确定运动目标的固有特征或特征参数。 * 状态估计主要内容：位置与速度估计。 位置估计：距离、方位和高度或仰角的估计； 速度估计：速度、加速度估计。 * 状态估计的主要方法 1、α-β滤波 2、α-β-γ滤波 3、卡尔曼滤波 这些方法针对匀速或匀加速目标提出，如目标 真实运动与采用的目标模型不一致，滤波器发散。 * 算法的改进及适应性 状态估计难点：机动目标的跟踪 1、自适应α-β滤波和自适应Kalman滤波均改善 对机动目标的跟踪能力。 2、扩展Kalman滤波针对卡尔曼滤波在笛卡儿坐 标系中才能使用的局限而提出。 * 卡尔曼滤波器 卡尔曼滤波器的应用: 通信、雷达、导航、自动控制等领域； 航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。 1 应用实例 一个简单的应用是估计物体的位置和速度；简要描述如下：假设我们可以获取一个物体的包含噪声的一系列位置观测数据，我们可以获得此物体的精确速度和位置连续更新信息。 例如，对于雷达来说，我们关心的是跟踪目标，而目标的位置，速度，加速度的测量值是时刻含有误差的，卡尔曼滤波器利用目标的动态信息，去掉噪声影响，获取目标此刻好的位置估计(滤波)，将来位置估计(预测)，也可以是过去位置估计的(插值或平滑) * * 卡尔曼滤波器的应用特点 对机动目标跟踪中具有良好的性能； 为最佳估计并能够进行递推计算； 只需当前的一个测量值和前一个采样周期的预测值就能进行状态估计。 * 卡尔曼滤波器的局限性 卡尔曼滤波器解决运动目标或实体的状态估计问题时，动态方程和测量方程均为线性。 * 卡尔曼滤波的原理 卡尔曼滤波的含义是现时刻的最佳估计为在前一时刻的最佳估计的基础上根据现时刻的观测值作线性修正。 卡尔曼滤波在数学上是一种线性最小方差统计估算方法，它是通过处理一系列带有误差的实际测量数据而得到物理参数的最佳估算。其实质要解决的问题是要寻找在最小均方误差下的估计值。 * 它的特点是可以用递推的方法计算，其所需数据存储量较小，便于进行实时处理。 具体来说，卡尔曼滤波就是要用预测方程和测量方程对系统状态进行估计。 卡尔曼滤波具体运算步骤 首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程 （Linear Stochastic Difference equation）来描述： X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值： Z(k)=H X(k)+V(k) * X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值： Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H 是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 * 对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances (协方差)来估算系统的最优化输出.