离散Kalman滤波器的UML建模与实现.docVIP

离散Kalman滤波器的UML建模与实现 　　摘要：离散卡尔曼滤波器的理论比较抽象。为了能较直观地理解离散卡尔曼滤波器，采用面向对象分析的方法对离散卡尔曼滤波器的具体实现过程进行了UML建模，给出了离散卡尔曼滤波器的用例图、类图、时序图和活动图，使得比较抽象的卡尔曼滤波过程变得直观、形象、易于理解，并且适合于实际编程实现。通过Matlab语言编程实现了一个具体实验的离散卡尔曼滤波算法，给出了卡尔曼滤波器的程序代码，实现的滤波达到了预期的效果。该算法对工程技术上具体实现离散卡尔曼滤波器的编程有一定的参考价值。 　　关键词：离散卡尔曼滤波器； 建模； UML； Matlab 　　中图分类号：TP311文献标识码：A文章编号：1004??373X(2011)22??0031??04 　　 　　UML Modeling of Discrete Kalman Filter and Its Realization 　　LEI Wen??hua 　　（School of Science, Tibet University, Lhasa 850000, China） 　　 　　Abstract： As an abstract concept, it is different to master the theory of Kalman filter and comprehend its pratical meaning. The basic concept and pratical meaning of the discrete Kalman filter are discussed in this paper. The theory and UML modeling of the discrete Kalman filter, and its realization in Matlab are elaborated in simple terms. 　　Keywords： discrete Kalman filter; modeling; realization; UML 　　 　　 　　收稿日期：2011??07??070引言 　　卡尔曼滤波作为一种数值估计优化方法，与应用领域有很强的结合性。在应用卡尔曼滤波解决实际问题时，首先利用获取的领域知识对被认识系统进行形式化描述，建立起精确的数学模型，再从模型出发进行滤波器的设计与实现[1]。卡尔曼滤波器是以最小均方差为准则的最佳线性估计，不但适用于标量估计的平稳系统，还能较好地应用于多输入/多输出的非平稳的时变系统[2]。卡尔曼滤波器由于可以实时处理时变的非平稳多维随机信号，目前已经成功的应用于雷达、机器视觉、自动定位系统和现代控制领域。但是由于卡尔曼滤波器的理论和计算公式比较复杂，初学卡尔曼滤波器的人往往不能掌握卡尔曼滤波器的原理和实质。因此本文采用统一建模语言UML对卡尔曼滤波器的原理进行详细的阐述，以便工程技术人员能够迅速抓住其主要矛盾，将其运用到工程实践中解决实际问题。另外由于UML模型非常容易转换为计算机编程语言实现，读者根据本文中的离散卡尔曼滤波器UML模型可以迅速编写出卡尔曼滤波器的程序代码。 　　1离散卡尔曼滤波器模型 　　卡尔曼滤波为线性时变系统的一种线性无偏最小均方误差估计[3]，能很好地过滤掉系统中存在的过程及测量噪声，并进行估值[4]。卡尔曼滤波理论突破了维纳滤波的局限性，它可用于非平稳和多变量的场合，而且卡尔曼滤波具有递推结构，已成为数据处理的主要技术[5]。离散卡尔曼滤波是一个最优化递归数据处理算法，它采用递推的算法实现，能够从一系列的不完全及包含噪声的测量值中估计系统的当前状态。其基本思想是先不考虑输入信号和观测噪声的影响，得到状态变量和输出信号的估计值，再用输出信号的估计误差加权后校正状态变量的估计值，使状态变量估计误差的均方值最小[6]。 从本质上讲，基于状态估计的卡尔曼滤波方法是将参数测量问题转化为状态观测和状态估计[7]。因此，可以利用卡尔曼滤波方法，建立系统的线性化标准卡尔曼滤波模型[8]。 　　卡尔曼滤波器是一种最小均方误差准则下的最佳线性滤波器，通过求最优卡尔曼增益K使得后验状态均方误差E［|x(n)－(n|n)|2］最小来求出对x(n)的最优估计(n|n)。在计算方法上采用了递推形式,使计算量减小,并且使用状态空间法在时域内设计滤波器,所以适用于多维随机过程的估计[9]。假设离散时间系统的状态变量x(n)是无法观测的马尔科夫过程，根据卡尔曼滤波算法不需要当前数据x(n)，当前状态x(n)的估计值x∧(nn)由前一时刻对当前状态的估计值(n|n－1)和当前时刻测量值y(n)算出，而不需要之前的测量数据y(n－1)，y