9 动态线性系统的卡尔曼滤波.ppt

(2)以上解作为虚拟观测值，与L1 的误差方程一起作第二次平差: 误差方程 组、解法方程并整理，得： (3)再以上解作为虚拟观测值，与LS（1）一起作第三次平差： 误差方程 解为： （4）依此类推，就可得到递推计算公式（5个），即“卡尔曼滤波方程”。（可分3步进行） 一步预测值： 滤波值： 增益矩阵： 时间更新（预测值） （1）计算先验状态估计值 （2）计算先验误差估计值 测量更新（修正估计值） （1）计算修正矩阵 （2）更新观测值 （3）更新误差协方差 关于滤波公式: （1） 项称为“预报残差”（新息）； （2）JK滤波增益矩阵； 公式的物理意义是:滤波值等于预报值加一修正项,该修正项由预报残差乘增益矩阵构成。 卡尔曼虑波的实质 利用卡尔曼滤波器进行滤波时,需要知道系统的状态方程和量测方程。 计算包括： 1）从一状态推（K）求另一状态（K+1）的预测值； 2）从此状态本身有的观测LK+1推求该状态估值； 即：历史信息与观测信息的综合。 三、卡尔曼滤波的应用 以下通过几个实例来进一步理解卡尔曼滤波过程。 [例1] 设状态方程和观测方程为： 随机模型是： 又已知两次观测数据L1=4，L2=2，求 解： （1） 计算一步预测值 （2）求增益距阵J1， （3）计算 （4）以（1）-（3）的公式计算 （5）计算 [例2] 将一物体以初速度51米/秒从地面垂直上抛，在时刻tK观测物体离地面的距离SK，得观测值LK如下： 设各观测值的观测是白噪声，其方差D?i=1；初始状态（初始距离和速度）为 其先验方差为 设不考虑动态噪声，求在各时刻tK物体离地面的距离和瞬时速度的估值 和它们的方差 。 tK（秒） 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 LK（米） 0.0 45.3 80.1 105.8 121.7 123.9 109.5 85.5 52.3 （1）根据运动学，建立k-1时刻与k时刻物体离地面距离、瞬时速度的关系，即动态方程。 或写为： （非随机项） （时间间隔1秒） （2）观测方程为 或写为 1）计算预报值 2）计算预报值的方差 3）计算增益距阵J 4）计算估值 5）计算估值方差 6）按以上1）-5）重复计算求得各时刻估值及方差 α—β模型（CV) α—β—γ模型(CA) 将加速度的变化率视为动态噪声 加速度视为动态噪声 [例3]在动态水准监测中常用的动态方程： 思考： 在GPS变形监测中，将变形体视为一个动态系统，将一组观测值作为系统输出，则卡尔曼滤波就可以用来描述这个变形体的运动情况。 试写出GPS网的状态方程、观测方程。 1）设GPS监测网有n个监测点组成，以GPS点三维位置和三维速率为状态向量； 2）设i点在时刻t的： 位置向量为------------------ 瞬时速率为------------------ 将瞬时加速度看成是随机干扰— 3）i点的状态向量为： 4）全网的状态向量为： 5)离散卡尔曼滤波的状态方程纯量形式为： 卡尔曼滤波的优点： 1)滤波方程是一组递推计算公式,计算过程是一个不断预测、修正的过程； 2)不需保留用过的观测值序列,并且当得到新的观测数据时,可随时计算新的滤波值,便于实时处理观测成果,把参数估计和预报有机地结合起来. 3)卡尔曼滤波特别适合变形监测、组合导航等动态数据处理。 4）卡尔曼滤波值是最小方差无偏估值。 卡尔曼滤波应用于动态观测系统中，可实时获得系统当前状态；且滤波精度较高； 卡尔曼滤波除了可掌握系统的当前状态外，还可预测系统未来。（可以模拟动态目标系统的变化规律等）（预测和平滑） 我们已介绍的近代平差方法： 1）从函数模型的类型：静态、动态； 2）从观测方程系数阵：满秩、列秩亏； 3）从估计参数：非随机变量、随机变量，或同时出现； 4）从观测误差：偶然误差、系统误差、粗差； 5）从估计模型：函数模型估计、随机模型估计。 另外还有： 6) 观测值中含有粗差时，用“稳健估计”（抗差估计）来处理平差问题； 7) 附加系统参数方法处理系统误差时，因参数过度化引入，导致法方程系数阵病态而提出的“有偏估计”。  这些方程是通过对连续随机线性系统的状态方程和观测方程离散化得到的。由于顾及控制项困难，且系数矩阵设计也不容易，所以一般都忽略该项。 * 通过解微分方程，并离能改成。散化可得到线性的状态 * 第九讲： 动态线性系统的卡