[工学]第七讲状态估计-卡尔曼滤波.ppt

智能信息处理技术 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。 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。 一、数字滤波器作估值器 1、非递归估值器 2、递归估值器 1、非递归估值器 采样平均估值器： 采用时域分析方法在掺杂有噪声的测量信号中 估计信号x。 结论 ①估计值 是用m个采样值的平均值作为被 估参量x的近似值； ②估值器的均方误差随着m的增加而减少； ③该估值器是一个无偏估值器。 2、递归估值器 一阶递归估值器： a为滤波器的加权系数，a1。 二、线性均方估计 1、最优非递归估计（标量维纳滤波） 2、递归估计 最优递归估计器 最优递归估计器 三、标量卡尔曼滤波器－时变信号 主要作用： 对掺杂有噪声的随机信号进行线性估计。 最优一步预测器 最优一步预测及滤波器 小结 该过程 称作一阶自回归过程。x(k)的均值和方差分别为： 自相关函数 2） 观测模型 观测模型由下式给出： z(k)=cx(k)+v(k) 式中：c——测量因子； v(k)——E(·)=0，D(·)=σ2n的白噪声。 最优递推估值器的信号和观测模型如图所示。 最优递推估值器的信号和观测模型 2、标量卡尔曼滤波器 由前将递归估计的形式写成： 均方误差 分别对a(k)和b(k)求导，并令其等于0，求其最佳估计，得出a(k)与b(k)的关系： a(k)=a［1-cb(k)］ 最后有递归估值器： b(k)为滤波器增益 其中, 均方误差 对于给定的信号模型和观测模型，上述一组方程便称为一维标量卡尔曼滤波器，其结构如图所示。 标量卡尔曼滤波器结构 3、标量卡尔曼预测器 标量卡尔曼滤波是对掺杂有噪声的随机信号进行线性估计。但经常要对信号的未来值进行预测，特别是在控制系统中。根据预测提前时间的多少，把预测分成1步、2步、…、 m步预测， 通常把1步预测记作 。预测的步数越多， 误差越大。 这里讨论1步预测问题。  信号模型和观测模型同前： 根据前一节， 有一步线性预测递推公式： 其中，a(k)和β(k)可以通过使均方预测误差最小来确定。预测的均方误差可表示为 将预测方程代入该式，并求导，就会得到一组正交方程： 解之，得 a(k)=a-cβ(k) 将其代入预测方程，有 进一步可求出： 其中， 由以上表达式可以看出，可根据均方预测误差Pε(k/k-1)计算β(k)，然后再给出Pε(k+1/k)的均方预测误差。 四、向量卡尔曼滤波器 1、信号向量和数据向量 如果要求对q个信号进行同时估计，这q个信号在k时刻的采样值记作x1(k)、x2(k) 、…、xq(k)。假设每个信号都是由一阶自回归过程产生的， 即第α个信号在时刻k的采样值为: xα(k)=aαxα(k-1)+wα(k-1) α=1，2， …，q 每个wα过程都是白的，零均值的，与其它过程的采样是独立的。