[工学]现代信号处理基础_02—维纳滤波和卡尔曼滤波20101102.ppt

第二章 维纳滤波与卡尔曼滤波 周围 最优滤波理论与Wiener滤波器 最优预测和滤波 最优预测和滤波 滤波与预测 最优预测和滤波 最优预测和滤波 最优预测和滤波 最优滤波理论 线性最优滤波器 最优滤波理论 线性最优滤波器（续） 最优滤波理论 维纳滤波与卡尔曼滤波 两端去Z变换得 因果IIR维纳滤波器设计步骤总结 例：观测信号 ，式中 是零均值、方差为1的白噪声。期望信号s(n)是一个AR(1)过程： 式中 是零均值、方差 的白噪声。期望信号s(n)与噪声 不相关，噪声 与 不相关。试设计一因果IIR维纳滤波器对观测信号进行滤波，并求 的估计 解： 期望信号s(n)的功率谱为AR功率谱，即： 维纳滤波的均方误差 工作在最优条件时均方误差： 均方误差的z域计算：（适用于IIR维纳滤波器） 维纳滤波的均方误差 均方误差的时域计算：（适用于FIR维纳滤波器） 维纳滤波器与一般滤波器区别 例如：对非因果IIR维纳滤波器 最优滤波器实现存在的问题 1. Wiener滤波器最优权系数可以由计算输入信号的自相关函数和输入信号与期望输出的互相关得到。实际中这两个参数是未知的，需要通过估计得到。而估计需要观测无限长信号。 2. 求最优滤波器时需要计算矩阵求逆，其计算复杂度量级是滤波器长度的三次方。 由于存在这些问题，实际实现Wiener滤波时，并不是直接计算得到最优Wiener滤波器的系数，而是代之以LMS, RLS, Kalman等自适应滤波器。 维纳滤波 设信号s(k)或s(k)及观测过程x(k)或x(k)是广义平稳的, 且已知 其功率谱或自相关函数的知识, 则基于观测过程x(k)或x(k), 按 线性最小均方误差估计准则, 对信号s(k)或s(k)所作的最优估 计称为维纳滤波。特点: 参数固定, 适用于平稳随机情况下 的最优滤波 , 且实现简单。 卡尔曼滤波 设已知信号的动态模型测量方程, 则基于过程x(k)及初始条件, 按线性无偏最小方差递推估计准则,对状态s(k)所作的最优估 计称为卡尔曼滤波。特点: 参数时变, 适用于非平稳随机情况 下最优滤波且性能优越； 局限性 只有在信号和噪声统计特性先验已知的情况下,这两种滤波 器才能获得最优滤波。在实际应用中,往往无法得到这些统 计特性的先验知识, 或统计特性随时间而变, 这时就无法用这 两种滤波器实现最优滤波。 Kalman滤波器 Kalman滤波是Wiener滤波的发展, 它最早用于随机过程的参数估计, 后来很快在各种最佳滤波器和最佳控制中获得极其广泛的应用。 Kalman滤波器具有以下特点： 其数学公式用状态空间概念描述。 其解是递推计算的。 它提供了RLS类自适应滤波器的统一框架 Kalman滤波器 Kalman滤波器问题的状态空间方程描述 (描述状态向量的过程方程) (描述观测向量的观测方程) Kalman滤波器（续） 假设： 都是零均值的白噪声过程，相关矩阵为 其中 为高斯噪声 并假设状态的初始值x(0)与v1(n)、v2(n)均不相关， v1(n)与v2(n)线性独立，即有 Kalman滤波器（续） 已知： Kalman滤波问题可以叙述为： 利用观测数据向量y(1),…,y(n)，求状态向量 x(i)各个分量的最小二乘估计。 飞机 雷达跟踪几何示意图 雷达 例:如图为二维雷达跟踪示意图。拟用Kalman滤波器对飞机的径向距离ρ、飞机在雷达视线上的径向速度 、方位角? 和角速度 进行自适应估计，试构造其离散时间状态空间方程。 解： 引入状态向量： 过程噪声向量： 写成矩阵形式： 雷达实测参数是距离和方位角，故观测方程为： 过程噪声自相关矩阵 观测噪声自相关矩阵 Kalman滤波器（续） 根据i和n的不同关系，Kalman滤波问题又可进一步分为滤 波问题(i=n)、预测问题(in)和平滑问题 。 具体如下： Kalman滤波器（续） 三个基本概念 Kalman滤波器（续） 新息过程（innovation process） 称 为 的新息过程向量,简称新息。 新息过程 的相关矩阵定义为 称为Kalman增益矩阵。 若令