卡尔曼滤波器分类及其基本公式.ppt

一般形式的卡尔曼滤波方程 （1）状态的一步预测方程： （2）均方误差的一步预测： （3）滤波增益方程（权重）： （4）滤波估计方程（K时刻的最优值）： （5）滤波均方误差更新矩阵（K时刻的最优均方误差）： 1 基于离散系统模型的卡尔曼滤波的基本公式 1.3 离散型卡尔曼滤波方程的一般形式 离散型卡尔曼滤波基本方程使用要点 （1）滤波初值的选取 卡尔曼滤波是一种递推算法，启动时必须先给初值 情况一：一般情况下，取 ，卡尔曼滤波器是无偏的，即滤波稳定，但是实际上这样的初值很难得到； 情况二：如果系统是一致完全随机可控和一致完全随机可观测的，则卡尔曼滤波器一定是一致渐近稳定的，此时盲目的选取滤波初值不影响最终估计值（大多数情况下）。 1 基于离散系统模型的卡尔曼滤波的基本公式 1.4 离散型卡尔曼滤波基本方程使用要点 离散型卡尔曼滤波基本方程使用要点 （2）估计均方误差的等价形式及选用 公式（1）形式简单，计算量小，但是积累误差容易使协方差矩阵失去非负定性甚至对称性，所以实际中常使用公式（2）； 如果在滤波初值对被估计量的统计特性缺乏了解，选取滤波初值盲目，则宜采用公式（3）。 1 基于离散系统模型的卡尔曼滤波的基本公式 1.4 离散型卡尔曼滤波基本方程使用要点 离散型卡尔曼滤波基本方程使用要点 （3）连续系统离散化 卡尔曼滤波的基本方程只适用于系统方程和测量方程均为离散的情况，但实际的物理系统一般都是连续的，动力学特性用连续微分方程来描述，所以在使用基本方程之前，需要对系统方程和测量方程进行离散化处理。 连续系统的离散化处理包括对过程白噪声的等效离散化处理。 1 基于离散系统模型的卡尔曼滤波的基本公式 1.4 离散型卡尔曼滤波基本方程使用要点 连续系统的卡尔曼滤波基本方程 通过对实际的物理系统进行分析后得到的系统模型一般为连续型的。连续型卡尔曼滤波方程可在离散型卡尔曼滤波器基本方程的基础上推导出来。基本思路：将连续系统离散化，应用离散型卡尔曼滤波器的基本方程和导数概念推导出连续型滤波方程。 采用递推算法是离散型卡尔曼滤波的最大优点，算法可由计算机执行，不必存储时间过程中得大量测量信息。连续型卡尔曼滤波则根据连续时间过程中的测量值，采用求解矩阵微分方程的方法估计系统状态变量的时间连续值，因此算法失去了递推性。 2 基于连续系统模型的卡尔曼滤波的基本公式 连续系统的状态空间表达式为： 为非负定矩阵； 为正定阵 其中： 2 基于连续系统模型的卡尔曼滤波的基本公式 连续系统模型的卡尔曼滤波基本方程 2 基于连续系统模型的卡尔曼滤波的基本公式 与连续系统模型等效的离散系统的数学模型： 连续系统模型的卡尔曼滤波基本方程 其中： 是零均值分段常值白噪声过程，其协方差为： 连续系统模型的卡尔曼滤波基本方程 引入矩阵J来去除过程噪声与测量噪声的相关性 （1）状态的一步预测方程： （2）均方误差的一步预测： （3）滤波增益方程（权重）： 连续系统模型的卡尔曼滤波基本方程 2 基于连续系统模型的卡尔曼滤波的基本公式 （4）滤波估计方程（K时刻的最优值）： （5）滤波均方误差更新矩阵（K时刻的最优均方误差）： 将其变形求极限 3 非线性系统的卡尔曼滤波方程 普通卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计，适应于过程和测量都属于线性系统， 且误差符合高斯分布的系统。 但是实际上很多系统都存在一定的非线性， 表现在过程方程 （状态方程）是非线性的，或者观测与状态之间的关系（测量方程）是非线性的。这种情况下就不能使用一般的卡尔曼滤波了。解决的方法是将非线性关系进行线性近似，将其转化成线性问题。 对于非线性问题线性化常用的两大途径： （1） 将非线性环节线性化，对高阶项采用忽略或逼近措施；（EKF） （2）用采样方法近似非线性分布. ( UKF) * 维纳滤波出现的时间要比卡尔曼滤波出现的时间早。维纳滤波理论的出现是为了解决火力控制系统精确跟踪问题，是出现最早的最优估计理论。 * * * * * 修改 修改 * 修改 修改 * * * * * 卡尔曼 滤波器 （Kalman Filter） 滤波的基本概念 滤波是什么？ 信号的分类（数学关系）？ （1）确定性信号：可以表示为确定的时间函数，可确定其在任何时刻的量值。（具有确定的频谱） （2）随机信号：不能用确定的数学关系式来描述的，不能预测其未来任何瞬时值，其值的变化服从统计规律。（频谱不确定，功率谱确定） 滤波的基本概念 确定性信号的滤波 可采用低通、高通、带通、带阻等模拟滤波器或者计算机通