东北大学现代控制理论08状态估计-卡尔曼滤波幻灯片.ppt

2005-11-5 ②无偏性 ③正交性 1 Z 式(8.5.1) 的几何意义为：由 维随机向量的分量所组成的l维随机向量 在 空间上的投影等于先用 维随机向量在 空间上的投影，再乘上A矩阵所构成的随机向量。 1 Z 8.6 卡尔曼滤波-状态估计 2005-11-5 投影，另一个分量为 子空间中的投影。其中 式(8.5.2)的几何意义为：随机向量 在 上投影 等于二个分量之和。一个分量为 在 子空间中的 子空间⊥ 子空间。 8.6.1无控制项的线性动态系统的滤波 考虑离散动态系统 (8.6.1) (8.6.2) 2005-11-5 其中 ； ； 为模型噪声 为观测向量 ， 为观测噪声； 为已知观测矩阵。 表示利用 对第 的估计值 当j=k时 称为滤波值；jk时 称为外推或预报 值；jk时 称为内插或平滑。 2005-11-5 ② 的初始状态 与噪声序列 均不相关,即 对模型噪声 和观测噪声 作如下假设： ① 状态噪声和观测噪声为互不相关的白噪声 2005-11-5 直接应用投影定理（8.5.1）和（8.5.2）推导状态 估计递推公式。 (8.6.3) 令 。利用 观测值对 进行估计 把式（8.6.1）代入到（8.6.3），并利用投影定理 及 的性质得： 由于 与 不相关(正交),且均值为0， 所以 2005-11-5 同理可得 令 则第k时刻的最优估计为 式（8.6.1）简化为 2005-11-5 其中 由于 由此得 2005-11-5 式中 则 2005-11-5 式(8.6.4)可进一步简化为 到此已推出一整套卡尔曼滤波算式，可归纳如下： 当 为已知时，可以根据观测值 地推估计出系统的状态变量： 。 2005-11-5 例8.6.1 考虑由数量方程 所定义的随机过程，其中 ，观测方程为 其中观测噪声 白噪声序列。设 ， 试求出 时状态的 的卡尔曼滤波值 。 解: 由公式可知 ： 2005-11-5 滤波误差为 重复上述步骤，进一步递推，可得 此时滤波误差为 显然 小于 ，即第二步滤波结果比第一步滤波 更准确 2005-11-5 几点说明: (1) 对随机过程进行的观测与递推估计的次数越多时，零均值的观测噪声 由于相互抵消而引起的误差越来越小，滤波值就越来越准确。 (2) 并不是任何系统 都有极限 ,对于完全能控能观的线性定常系统，极限 存在。 (3) 在实际问题中 往往未知，对于完全能控 观的线性定常系统可任取对称正定阵 。 当 充分大时， ,滤波结果几乎不受影响。 能 尚辅网 / 第八章 状态估计（卡尔曼滤波） 2005-11-5 8.1 系统的描述 8.2 最小方差估计 8.3 线性最小方差估计 8.4 最小二乘估计 8.5 投影定理 8.6 卡尔曼滤波-状态估计 8.1 系统的描述 2005-11-5 8.1.1状态空间模型 随机状态空间模型描述： 8.1.2差分方程模型 随机差分方程模型 8.2 最小方差估计 2005-11-5 的误差方阵为 定义8.2.1 使误差方差阵 最小的估计 叫 最小方差估计， 是一个随机向量。 设 的概率密度为 ， 的概率密度为 ， 二者的联合概率密度为 ,则在Z=z 条件 下， 的条件概率密度为 2005-11-5 证: 使 最小，等价于使 最小。注意到 定理8.2.1 的最小方差估计 等于 的条件 条件均值为 2005-11-5 = + = 可知，当且仅当 时，方差 最小 阵 x z -3 -2 2 3 -1 1/4 1/4 0 0 1 0 0 1/4 1/4 2005-11-5 的联合分布 例8.2.1 设被估计量 和观测量 的最小方差估计。 如表8-1所示， 试求 表8-1 2005-11-5 解 的联合分布 和观测量 例8.2.2 已知被估计量 的最小方差估计和线性最小 如表8-2所示,试求 方