- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
实验一 卡尔曼滤波
实验目的
1、了解卡尔曼滤波的准则和信号模型,以及卡尔曼滤波的应用。
2、熟练掌握卡尔曼滤波的递推过程,提高对信号进行处理的能力。
3、分析讨论实际状态值和估计值的误差。
二、实验原理
1、卡尔曼滤波简介
卡尔曼滤波是解决以均方误差最小为准则的最佳线性滤波问题,它根据前一个估计值和最近一个观察数据来估计信号的当前值。它是用状态方程和递推方法进行估计的,而它的解是以估计值(常常是状态变量的估计值)的形式给出其信号模型是从状态方程和量测方程得到的。
卡尔曼过滤中信号和噪声是用状态方程和测量方程来表示的。因此设计卡尔曼滤波器要求已知状态方程和测量方程。它不需要知道全部过去的数据,采用递推的方法计算,它既可以用于平稳和不平稳的随机过程,同时也可以应用解决非时变和时变系统,因而它比维纳过滤有更广泛的应用。
2卡尔曼滤波的递推公式
………(1)
………(2)
………(3)
………(4)
3递推过程的实现
如果初始状态的统计特性及已知,并
令
又
将代入式(3)可求得,将代入式(2)可求得,将此代入式(1)可求得在最小均方误差条件下的,同时将代入式(4)又可求得;由又可求,由又可求得,由又可求得,同时由与又可求得……;以此类推,这种递推计算方法用计算机计算十分方便。
同时有下列条件:
初始条件已知且有。
是一个标量零均值白高斯序列,且自相关函数已知为。
另外,我们有下列观测模型,即
且有下列条件:
和是独立的零均值白高斯序列,且有
对于所有的j和k,与观测噪声过程和是不相关的,即
我们希望得到由观测矢量,即估计状态矢量的卡尔曼滤波器的公式表示形式,并求解以下问题:
求出卡尔曼增益矩阵,并得出最优估计和观测矢量之间的递归关系。
通过一个标量框图(不是矢量框图)表示出状态矢量中元素和估计值的计算过程。
用模拟数据确定状态矢量的估计值并画出当k=0,1,…,10时和的图。
通常,状态矢量的真实值是得不到得。但为了用作图来说明问题,表P8.1和P8.2给出来状态矢量元素得值。对于k=0,1,…,10,在同一幅图中画出真实值和在(c)中确定的的估计值。对重复这样过程。当k从1变到10时,对每一个元素i=1,2,计算并画出各自的误差图,即。
当k从1变到10时,通过用卡尔曼滤波器的状态误差协方差矩阵画出和,而,。
讨论一下(d)中你计算的误差与(e)中方差之间的关系。
五、实验结果分析
(a)卡尔曼增益矩阵:
估计值与观测值之间的递归关系为:
(b)状态矢量估计值的计算框图:
(c)和的图:
(d)真实值与估计值的比较图:
各自的误差图:
(e)通过用卡尔曼滤波器的状态误差协方差矩阵画出的和:
(f)分析:(e)中的方差是(d)中的误差平方后取均值,是均方误差。误差直接由真实值减去估计值,有正有负,而均方误差没有这个缺陷,更能综合的表示滤波的效果。
附程序:
%卡尔曼滤波实验程序
clc;
y1=[3379111522283038; %观测值y1(k)
y2=[2032265354; %观测值y2(k)
p0=[1,0;0,1];p=p0; %均方误差阵赋初值
Ak=[1,1;0,1]; %转移矩阵
Qk=[1,0;0,1]; %系统噪声矩阵
Ck=[1,0;0,1]; %量测矩阵
Rk=[1,0;0,2]; %测量噪声矩阵
x0=[0,0];xk=x0; %状态矩阵赋初值
for k=1:10
Pk=Ak*p*Ak+Qk; %滤波方程3
Hk=Pk*Ck*inv(Ck*Pk*Ck+Rk); %滤波方程2
yk=[y1(k);y2(k)]; %观测值
xk=Ak*xk+Hk*(yk-Ck*Ak*xk); %滤波方程1
x1(k)=xk(1);
x2(k)=xk(2); %记录估计值
p=(eye(2)-Hk*Ck)*Pk; %滤波方程
文档评论(0)