基于卡尔曼滤波器原理应用.pptVIP

基于卡尔曼滤波器的应用 四院八队 万子平 2015.04.22 Signal Processing Digital filtering：通过一种算法排除随机的系统干扰，提高接收精度的一种手段。 线性系统：F（a+b）=F（a）+F（b）。 数学处理方法（Kalman）：过去的测量估计误差合并到新的测量误差中来估计将来的误差。 输入与输出：过程中减少噪声。 Same and Difference： Same: 卡尔曼(Kalman)滤波和维纳(Wiener)滤波都是以最小均方误差为准则的最佳线性估计或滤波。 2. Difference： 维纳滤波只适用于平稳随机过程(信号)。 卡尔曼滤波没有这个限制，信号可以是平稳的，也可以是非平稳的。 Use For 机器人导航，控制。 传感器数据融合。 雷达系统以及导弹跟踪。 计算机图像处理。 头脸识别 图像分割 图像边缘检测 Temperature Problem： 1. 预测值： 我们预测这个房间一分钟以后的温度。但是预测不会100%正确，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声，也就是这些偏差跟前后时间是没有关系的而且符合高斯分配。 2.测量值： 我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。 3.卡尔曼增益： 由于我们用于估算一分钟后的实际温度有两个温度值，预测值和测量值分别是x度和y度，并设真实值是z度，这时我们可以用他们的covariance来判断。 Kg（卡尔曼增益）^2=（z-y）^2/(z-y）^2+（z-x）^2，所以Kg=0.78。 4.最优估计值： 可以估算出一分钟后的实际温度值是x+Kg*(y-x)=Z(含最优估计偏差）。 5.计算估计偏差： 算法如下：((1-Kg)*（z-y）^2)^0.5=最优估计偏差。 The description of the algorithm： 首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述： X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值： Z(k)=H X(k)+V(k) 　　上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 然后我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态： 　　X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) 　　式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 其次我们用P表示covariance： P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2) 　　式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 　　现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)： X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3) 　　其中Kg为卡尔曼增益(Kalman Gain)： 　Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4) 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们最后还要更新k状态下X(k|k)的covariance：