线性分类函数.ppt

二、离散型卡尔曼滤波器 * 应用领域：卡尔曼滤波从20世纪60年代问世以来，在航天领域就获得了成功的应用，后来又在导航制导﹑工业控制﹑目标跟踪﹑大地测量等领域得到广泛应用。 卡尔曼滤波的实质：卡尔曼滤波是一种最有状态估计方法，由测量值重构系统的状态向量，以预测-实测-预测的顺序递推，根据系统的测量值消除随机干扰，再现系统的状态。 卡尔曼滤波器：是由一系列递归数学公式描述。它提供一系列的方法来估计过程的状态，并使估计均方误差最小。另外它也可以估计信号的过去和当前状态，甚至能够估计将来的状态。 1、被估计的过程信号 （1） （2） 2、滤波器的计算原型 （-代表先验，^代表估计） （6） （5） （4） （3） 可得到卡尔曼滤波器的表达式 由 再由式（2）（6）（7） 可得 （7） （8） 3﹑卡尔曼滤波器的算法 卡尔曼滤波器使用反馈的方法估计 过程状态：主要分为时间更新方程和 测量更新方程 时间更新方程：负责及时向前推算当前状态和误差协方差的估计值，以便为下一个时间状态构造先验估计。 测量更新方程：负责反馈，他将先验估计和新的测量变量结合以构造改进的后验估计。 离散卡尔曼时间更新方程： 离散卡尔曼状态更新方程： 三、扩展卡尔曼滤波器 1、被估计的信号 实际情况不知道每一时刻的噪声值，所以假设噪声为0 （10） （11） （13） （12） 为了估计非线性差分和观测关系的过程对非线性方程局部线性化。 定义新的预测误差和观测误差表达式 其中 （15） （14） （17） （16） （19） （18） 写出非线性的后验状态估计 （20） （21） 非线性卡尔曼时间更新方程： 非线性卡尔曼状态更新方程： 相位解缠的卡尔曼滤波模型 把复干涉的同向分量和正交分量分别作为振幅和干涉相位的两个噪声观测值，分别用n和m方向代替，可写出： 1.卡尔曼滤波观测方程 所以观测方程： 2.卡尔曼滤波的状态空间模型 同样方法处理干涉振幅（用a表示） 状态空间相位（用p表示） 把n维相位向量和m维振幅向量组成（n + m）x 1维状态向量x(k) 其中x(n,m)是要求的解缠相位，xh（n,m）和xv(n,m)分别代表水平和垂直的局部相位梯度 相位x(n,m)则可以作为先前相位值加上水平相位的局部相位梯度和先前相位值加上垂直向的局部相位梯度的平均值（如图所示） 图 相位值得计算 扩展卡尔曼滤波 对于二维解缠，卡尔曼滤波算法沿着图2的积分途径进行。任一预估值均在4个相邻区域取平均 *