[工学]系统辩识-05-Kalman滤波.pptVIP

系统辩识与滤波 第五讲 第 三 章 状态估计的Kalman滤波方法 3.1 点估计理论 3.2 新息序列 3.2 基本Kalman滤波 3.4 一般Kalman滤波 3.5 最优预报与平滑 3.2新息序列 目的 m维随机序列 {y(k)} 作可逆线性变换得到一个 零均值、独立的随机序列 { } 且不丢失{y(k)}的信息. 定理３.5 线性无偏最小方差估计的性质 ａ）设ｘ*是ｘ的线性无偏最小方差估计， 且 S＝Ａｘ＋ｂ是x的某个线性变换， 则 S的线性无偏最小方差估计为 S* ＝ Aｘ* ＋ｂ 3.2新息序列 m维正态分布随机序列 {y(k)}作线性变换得到新的序列 { } 新息的性质 新息的性质 3) 任意 的线性组合。 4) 的线性组合。 新息的性质 5）以序列yｋ为条件等价于序列 为条件，其中 即 证明： 其中： A为可逆线性变换阵。 新息的性质 6）设｛ｘ（ｋ）｝和｛ｙ（ｋ）｝是两个联合高斯零均值的随机序列，则有： （３）ｋ＋１时刻的估计 获新的量测y(k+1)，如何利用 {ｙｋ,y(k+1)}对x(k+1)作估计? 根据新息序列的概念和性质 注意{ｙｋ,y(k+1)}与 的等价性 例3.4.1 已知系统 Ａ，Ｂ是适当维常阵, u(k)为已知控制量， * 设z = {y(1), ..., y(N)} 是Ｙ的一组相互独立的子样，则 z 对 x 的线性无偏最小方差估计为 推广：则 z 对 x(k) 的线性无偏最小方差估计为 回顾 ｂ）设x’＝ｘ－ｍｘ；z’＝ｚ－ｍｚ 则有Ｅ｛x｜z｝＝ｍｘ＋Ｅ｛x’｜z’｝ 表明对量测作零均值处理不失估计的一般性。 ｃ）若取ｚ的线性变换Ａｚ＋ｂ， Ａ为可逆方阵，ｂ为Ｎ·ｍ维任意向量，则 Ｅ［ｘ｜Ａｚ＋ｂ］＝Ｅ［ｘ｜ｚ] 说明量测数据序列作可逆线性变换不影响估计结果。 回顾 y(0) y(1) y(2) y(k-2) y(k-1) y(k) ......... 利用0 ~ k-1 时刻的数据，提前一步预报k时刻的输出： H’ 新息的几何意义 新息序列是一高斯白噪声过程. 定理３.5 设z={y(1),...,y(N)}是Ｙ的一组相互独立的子样，则 z 对 x 的线性无偏最小方差估计为 回 顾 ３．３ 基本Kalman滤波方程 考虑如下离散线性随机系统 使 因Kalman滤波问题所取的估计指标为估计的方差函数，故只要求k=0时刻ｙ(0)对ｘ(0)的最小方差估计，由定理３．４ 记 有 再据定理３．４计算估计的协方差阵 k= 0 时刻： 已得到 假定k时刻 可得到 K+1时刻 是否可得？ ？ 预报误差的协方差阵 对状态的提前一步预报 预报误差的互协方差阵 k时刻小结: 基于0~k时刻观测的状态估计 基于0~k观测对k+1时刻的状态估计，输出估计，及其协方差 定 理 3 . 5 定 理 3 . 4 有 令 } = 几点讨论 1) 以状态的提前一步预报量为递推基本变量 ③在递推关系式中，?（k|k），Ｋ（ｋ）的计算不依赖量测｛ｙ（ｋ）｝，仅依赖于系统和噪声，因此，可以离线计算，并把计算结果存入计算机备用。 ②考虑线性时变系统， 只需令Ｃ＝Ｃ（ｋ)，Ａ＝Ａ（ｋ）。 * * *